搜索：视觉文档检索

「视觉文档检索」共找到 1174 篇相关文章

4K-Agent：可将低分辨率图像提升至4K高清智能体

图像超分辨率技术在多种视觉任务中重要，但传统方法泛化能力有限。德克萨斯A&M等大学研究人员推出4K Agent，其多智能体架构能将低分辨率图像提至4K高清，在多领域测试表现出色。

在 WWDC 2025 上，苹果宣布在多操作系统引入‘液态玻璃’新视觉风格，是 12 年来最大 UI 革新。这或成苹果移动端外观重大转变，但也掩盖其 AI 落后现状，还让开发者面临功耗、适配等挑战。

Bento是开源项目，把文档、编辑器等全打包进约560KB HTML文件，功能堪比PowerPoint。它数据纯JSON、支持AI协作与端到端加密协作，还自研多个引擎，有多种上手和与AI协作方式。

在复杂视觉场景中，传统RGB - IR多模态检测方法在低照度等场景下因RGB退化影响检测效果。北航等团队提出的InfraNet，以红外为主，用质量感知机制控制RGB引导，在多数据集取得强竞争力结果。

面壁智能开源多模态模型MiniCPM-V 4.6，以低算力成本、超低首Token延迟打通三大主流手机操作系统。它算力瘦身性能强，是视觉语言多面手，还适配主流系统，降本增效，让AI能力从云端到指尖。

自变量机器人发布全球首个世界统一模型架构的具身智能基础模型WALL - B，它打通视觉、听觉等模块，让机器人理解物理世界。还让机器人拥有多能力，通过真实家庭数据形成数据飞轮，助力其融入家庭。

4月20日深夜，Kimi K2.6出道即开源，展示了强大的「全栈交付」能力，跑分超GPT - 5.4等。它能完成多类型官网制作，300个Agent协作能力强，还能复刻高盛研报、交付三件套，其Claw群组开启小范围测试。

视觉 - 语言 - 动作（VLA）模型“观测 - 生成 - 执行”串行模式致交互卡顿，清华与联想合作提出StreamingVLA框架，引入两项技术实现并行处理，在测试中显著提升效率和流畅度，为VLA模型部署提供新方案。

传统RAG方案有上下文断裂、检索不精准等问题，而开源项目Cognee用6行代码就能给AI Agent构建持久化记忆系统。它结合向量搜索和图数据库，形成统一记忆层，支持30+数据源，有多种核心API。

现有视频世界模型在长时间交互中易出现运动不合理与场景崩坏问题，核心原因是误差累积。MagicWorld提出面向长时稳定性的交互式建模框架，通过光流约束、历史缓存检索和多步聚合训练，有效缓解误差累积。