搜索：视觉文档检索

「视觉文档检索」共找到 1174 篇相关文章

吞下17亿图片，Meta最强巨兽DINOv3开源！重新定义CV天花板

Meta训出70亿参数「视觉巨兽」DINOv3并完全开源。它用自监督学习，无需人工标注，可生成强大图像特征，在多任务超专用方案，NASA已用其探索火星，还能推动多行业进步。

作者分享摆脱空白文档恐惧的经验，认为可让AI先写初稿，人与AI协同创作。以百度文库Genflow 2.0为例，展示其在资料导入、任务执行等方面优势，鼓励大家尝试与AI协作。

图像生成领域，自回归与扩散模型技术路线之争不断。腾讯混元团队发布X-Omni模型，通过强化学习提升自回归图像生成质量，能渲染长文本图像。该模型已开源，还构建奖励系统评估生成质量。

当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。

人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。

在PDF文档解析领域，复杂表格解析是难题。今天分享的OCRFlux是基于qwen2.5vl - 3B模型微调的解决方案，有单页解析和跨页段落/表格合并等创新点，测试得分超96%，远超MonkeyOCR等。

作者因网友提问，研究出用AI做PPT的办法，比写Python脚本简单。介绍了用cursor、claude code实现的具体流程，还提及套用公司模板的方法，认为Cursor正成AI操作系统，操作更简便。

北邮研究团队通过思维链审计实验，揭示大模型长链推理‘越想越错’现象背后的元认知偏差。研究基于RFC协议文档构建受控知识域，分析推理过程，发现反思会加重幻觉，且现有检测方法难以应对。

谢赛宁团队新发布的Blender Fusion框架，结合图形工具 (Blender) 与扩散模型，让视觉合成不再仅依赖文本提示，实现精准画面控制。其核心是对现有技术高效组合，还透露两项训练技巧提升泛化性。

随着多模态模型兴起，AI生成叙事性视频成热点，但现有方法处理长视频有挑战。哈工大发布AniMaker框架，由多个智能体协作，实现文本到动画自动化转换，解决了视觉连贯和叙事一致等问题。