「文档视觉编码器」共找到 1290 篇相关文章
小红书提出DeepEyesV2，从“看图思考”到“工具协同”，探索多模态智能新维度
小红书推出多模态模型DeepEyesV2，它延续视觉推理优势，实现代码执行、网页搜索和图像操作的全工具协同。通过多工具协同推理解决复杂问题，采用两阶段训练策略，准确率远超开源模型。
AI时代，我们为何重写规则引擎？—— QLExpress4 重构之路
AI时代下规则引擎需求旺盛，QLExpress4全面重构。它性能提升，编译和执行性能显著提高；体验优化，支持JSON语法、有表达式追踪功能；还在淘天、钉钉等有应用场景，且对AI友好。
NeurIPS 2025 Spotlight | GeoSVR：稀疏体素的新潜力——超越3DGS系列的高精度三维表面重建
计算机视觉中表面重建难题待解，现有方法有瓶颈。北航等团队提出 GeoSVR 框架，围绕几何约束与表面正则化设计，在多数据集超现有方法，兼顾精度、完整性与效率，为多领域提供支持。
首款推理具身模型，谷歌DeepMind造！自主理解/规划/执行复杂任务，打破一机一训，还能互相0样本迁移技能
谷歌DeepMind发布新一代通用机器人基座模型Gemini Robotics 1.5系列，由GR 1.5和GR - ER 1.5组成，结合视觉、语言与动作，实现“规划 + 执行”闭环，还提出Motion Transfer机制，能跨机器人迁移技能。
给几何图片写标题就能让AI更聪明，UIUC发布高质量可泛化几何数据集
随着多模态大语言模型在视觉问答等任务广泛应用，其几何推理能力成研究热点。现有方法泛化能力有限，UIUC团队提出Geo - Image - Textualization框架，发布GeoReasoning - 10K数据集，提升模型几何推理表现。
50+ 当下 Agent 关键数据与发展趋势预测
index.dev报告整理50+条AI Agent统计数据，涵盖采用率、市场规模等。介绍技术栈各层级，如开发者层提升编码效率，知识工作者层辅助办公。还提及企业采用趋势、用户交互变化、市场规模增长等内容。
阿里，悄咪咪在海外上线全新 Agent Coding 产品
阿里在海外推出 Agent Coding 产品 Qoder，个人版免费试用。随着 LLM 技术发展，AI 辅助编码范式改变。Qoder 探索发挥 AI 潜力、解决开发挑战，有透明化等功能及增强上下文工程理念，还能自动选模型。
孙正义要用10亿个智能体干掉所有程序员
软银创始人孙正义宣布集团迈入‘人类程序员时代的终结阶段’，计划让AI智能体全面接管编码和编程工作。今年将部署首批10亿个AI智能体，未来会有数万亿个投入使用，且成本低廉。
2.8K Star！开源免费的离线OCR工具，识别准确率媲美大厂。
在文档数字化和自动化工作流中，离线OCR工具受青睐。GitHub上的TrWebOCR开源、离线，中文识别率高，媲美大厂。它亮点多，有快速上手指南和接口调用示例，适用场景广，但两年未更新。
谷歌AI Agent刚开源！多任务智能体+MCP+谷歌搜索，狂揽9000颗星
今天凌晨，谷歌在官网开源AI Agent框架Gemini CLI，将Gemini大模型融入终端。它能调用视频和图像模型，集成MCP、谷歌搜索等功能，还集成超强编码助手，刚开源就在Github超9000颗星。