搜索：AI技术体系 - AI Reading Hub

「AI技术体系」共找到 11205 篇相关文章

全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%

MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。

昨日，DeepSeek 发布 R1 大模型最新版本 DeepSeek - R1 - 0528 并开启公测。虽官方未附详细技术说明，但用户反馈推理和输出有改进，也有性能方面的不同看法，其在基准测试表现佳。

作者分享在知乎 1947 天的经历，受邀参加知乎第十一届新知青年大会。大会 AI 含量高，探讨多，如具身智能、模型发展方向等；社区味浓，形式多样氛围好；还对年轻人友好，鼓励表达畅想。

Agent Squad是轻量级多智能体对话编排框架，有6.5k星。它能管理多AI代理、处理复杂对话，具智能意图分类等特性。新SupervisorAgent可协调多专业代理，还有演示应用及多种使用示例。

介绍微软开源的轻量级Python文档转换工具MarkItDown，它支持20+格式智能转换为结构化Markdown，专为LLM文本分析场景优化，解决开发者处理多格式文档痛点，还阐述其功能、技术架构等内容。

本文围绕个性化多人图像生成展开，指出其面临身份特征泄露等挑战。介绍了早期方法的不足，提出全新的ID-Patch方案，阐述其设计思路、实验效果等，还探讨了提升空间与未来方向，该方案在多人物图像生成中有突破式提升。

针对生产环境MCP部署中安全规范滞后于部署速度的问题，本文提出MCP安全不能仅依赖网关，需划分四个独立控制层构建纵深防御体系，给出了可落地的控制方案、代码示例和分阶段实施计划。

本文作者实测对比同日发布的Grok 4.7与小米MiMo V2.6两大模型，认为MiMo V2.6在性能、价格、速度上满足大模型"不可能三角"，体验超预期且全面开源，对AI从业者实用性极强。

9月2日腾讯WorkBuddy开放平台上线，亮相9款联名智能硬件、30多个行业应用与超100家生态伙伴。其是国内AI Agent赛道首个打通三层生态的开放平台，目标是成「面向Agent时代的操作系统」。

目前行业探讨大模型的RSI时，常陷入思维定势。EvoMap团队没有盲目跟风，而是提出极具现实意义的工程新路径，构建自进化智能体，让经验在网络流转，还以硬核数据证明其体系有效性。