「多模态文档解析」共找到 1374 篇相关文章
ICML 2025 Spotlight｜南洋理工陶大程教授团队等提出基于RAG的高分辨率图像感知框架，准确率提高20%
南洋理工陶大程教授团队等合作，为解决多模态大语言模型处理高分辨率图像问题，探索 RAG 应用可行性，提出 Retrieval-Augmented Perception (RAP) 框架，在多任务上提升性能，已被 ICML 2025 接收。
OpenAI搬空Claude Code！用户家当一键进Codex，唯独带不走Claude
AI编程大战中，OpenAI盯上对手用户的配置、技能等“家当”。8月11日其统一外部智能体导入说明，可将Claude Code等工具配置等搬入Codex，但只能进不能出，且部分内容无法迁移。
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。
谷歌放的这波免费AI额度，大到很多人以为是假的
谷歌在Google AI Studio上调整Gemini API免费层规则，额度达每分钟100万token，无额外申请门槛。覆盖Gemini 2.5全系列模型，支持多模态输入。开发者反应两极，有人看好，也有人质疑。
千问Qwen旗舰预览版Qwen3.6-Max-Preview发布
千问Qwen发布下一代旗舰模型早期预览版Qwen3.6 - Max - Preview，在权威评测中登顶最佳国产模型。此前开源的Qwen3.6 - 35B - A3B用30亿激活参数匹敌数百亿参数稠密模型，新模型在多方面给出技术演进方向。
在ICLR 2026主会之前，我们和30多位入选者聊了聊最前沿的AI细节
4月14日，智源社区、DeepTech联合举办ICLR 2026预讲会。会议聚焦顶会核心精华，三十余位论文作者分享AI Agent、大语言模型等热门领域成果，展示解决大模型痛点的研究。
AI 剪辑杀器 CutClaw 开源了！再也不用手动卡点了！
CutClaw是面向长视频与音乐的端到端自动剪辑系统，可自动解析素材，按文字指令生成踩点短片，部署简单，有短期和长期目标，也给出运行慢的原因与优化建议。
1段话喊来13个“程序员”，阿里Qoder新模式让我躺着当CTO
作者实测阿里Qoder「专家团模式」，该模式下Qoder组织赛博工程团队，自动解析需求、分配任务，多智能体协同推进项目，解决了代码质量和效率问题，开启多智能体协同编程时代。
OpenClaw、Agent 企业级落地……2026 奇点智能技术大会硬核议题发布
2026奇点智能技术大会4月17 - 18日将在上海召开。大会深入探讨12大前沿专题，邀请众多顶尖学者、技术专家等，涵盖大模型技术、Agent系统、OpenClaw实践等内容，为AI落地绘制认知地图。
马斯克深夜点赞！内容的下一站是：玩！
马斯克深夜点赞用 Loopit 制作的互动 meme，引发关注。Loopit 让用户体验从‘看’变‘玩’，实现双向交互。其融合 AI Coding 与多模态生成，构建 Runtime，解决延迟、状态同步等问题，潜力大。