搜索：视觉文档检索

「视觉文档检索」共找到 1170 篇相关文章

Monet：赋予多模态大模型如人类一般的抽象视觉思考能力

文章介绍了Monet模型，它实现了训练MLLM直接在连续隐空间思考的方法，内化视觉思考能力。还阐述了多模态模型隐式推理训练的难点，提出SFT+RL训练框架，构建数据集，经测试，Monet提升了视觉推理能力。

传统检索增强生成（RAG）有“单跳”局限，多跳推理易出错。人大高瓴与百度提出面向智能搜索的检索器训练框架 Agentic - R，采用双视角打分和双向飞轮模式，在多数据集上表现出色。

中科院自动化所等团队提出VHR方案，通过“视觉神经增强”机制放大模型视觉关键注意力头输出，降低幻觉现象。此前主流方法多作用于最终输出阶段，VHR深入干预内部机制，还介绍了SSL语义引导方法。

网页自动化常遇页面更新脚本报废等难题，而开源工具Skyvern不走传统XPath/DOM路子，用视觉+大语言模型理解网页，能自适应改版，功能丰富，安装运行简单。

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。

清华教授、智谱唐杰在𝕏征集GLM下个版本意见，浏览量达40w+。此前他有求必应，网友热情参与。这次评论区多要视觉能力，因GLM-5.2是纯文本模型，而对手多为多模态。

随着AI生图能力提升，如何让AI进入创作流程成新问题。兔展智能基于UniWorld - Design视觉AI大模型推出RabbitVis，推动视觉AI从图片生成走向可编辑、可交付的创作流程，解决创作流程断点问题。

Mistral 发布 OCR 3，在多种文档类型上精度更高，超越前一代产品。能提取文本、识别图像并保留文档结构，输出 Markdown 格式。早期用户认可其性能和多语言支持，生产部署扩展快，价格有优势。

2026 年 2 月 13 日，清华、北大等顶尖机构联合推出的 WorldArena 面向全球开源。这是首个‘功能 + 视觉’统一评测体系，撕开了‘美丽视频’伪装，让评测从‘审美导向’走向‘功能导向’。