「多模态长文档视觉问答」共找到 1662 篇相关文章
生财有术小连：微信问一问蓝海机会，用搜索玩法抢占流量先机
生财有术小连分享微信问一问运营经验，指出其支持真人分享、有“去AI化”特点及“强SEO搜索、排名”机制。介绍视觉霸占、抢词根等玩法，还给出内容与ID绑定等运营建议，称当前是SEO玩法的蓝海时期。
大模型手语翻译新进展：CAPO-SLT拿下中文三项最高分 | EMNLP'26
vivo AI Lab团队针对自动手语翻译生成中，无视觉证据支撑的错误累积导致语义偏移的痛点，提出置信度感知策略优化方法CAPO-SLT，仅调整强化学习更新规则，不修改主干网络，在中文手语翻译测试中拿下三项指标最高分，成果将发表于EMNLP'26。
10万引普林斯顿刘壮最新访谈：架构没那么重要，数据才是王道
普林斯顿大学助理教授刘壮在访谈中指出，架构没那么重要，数据、规模和记忆才是决定AI成败的关键。他认为ConvNet和Transformer性能差异源于训练细节；当前数据集远不够多样；大语言模型有语言空间的世界模型，但视觉空间的还缺失；记忆是瓶颈，智能体只是权宜之计；AI目前还替代不了研究生。
准确回答视频细节！11B模型挑战视频理解「证据级」任务，开源可商用
近日，复旦大学邱锡鹏教授领衔的OpenMOSS团队联合模思智能开源11B参数的多模态视觉理解模型MOSS-VL。它能准确回答视频里可被验证的细节、时间、过程和空间关系，有六项证据级能力，架构设计独特，采用Apache2.0开源许可。
谷歌Nano Banana全网刷屏，起底背后团队
谷歌开发者节目展示了Gemini 2.5 Flash Image模型，它能快速生成高质量图像、保持场景一致。文中起底背后团队成员，还介绍模型技术亮点、与Imagen对比及未来能力展望。
Gemini新手教学
最近Google推出教育优惠，可免费使用15个月含Gemini Advanced等在内的AI产品。作者分享使用Gemini经验，指出其在上下文长度和生态打通方面优于ChatGPT，老牌厂商家底足，OpenAI下半场有压力。
触觉具身来了个梦之队：天使轮近亿
5月27日，上海新智具身智能科技有限公司宣布完成近亿元天使轮融资。该公司源自复旦大学，核心团队实力强。它聚焦触觉具身智能，构建技术闭环，在数据采集、模型训练等方面有进展，已在工厂落地POC验证订单。
谷歌开源非结构化数据抽取工具
谷歌开源 Python 库 LangExtract，用 LLM 从非结构化文本文档提取结构化信息。它定位精确、输出可靠，针对长文档优化，有交互式可视化，支持多模型，适应多领域，还给出快速开始示例。
1/8成本比肩Claude 3.7，Mistral Medium 3来了
“欧洲OpenAI”Mistral AI发布多模态新模型Mistral Medium 3，主打编程和多模态理解，成本仅Claude 3.7的1/8，性能达其90%，API已上线，还推出企业聊天机器人服务，引发网友不同看法。
刚刚，智源全新「悟界」系列大模型炸场！AI第一次真正「看见」宏观-微观双宇宙
6月6日第七届智源大会，智源研究院推出全新「悟界」系列大模型，含原生多模态世界模型Emu3、脑科学多模态通用基础模型见微Brainμ等，反映其对大模型发展的研判，推动AI向物理世界迈进。