「多模态长文档视觉问答」共找到 1662 篇相关文章
OmniHuman-1.5：让数字人拥有“思考”的视频生成新范式
现有视频数字人模型难捕捉角色本质，字节提出 OmniHuman - 1.5 框架。其核心创新是用 MLLM 提供语义引导、提出多模态 DiT 架构和伪末帧设计，使模型融合多模态信号，生成高质量角色动画。
模拟大脑功能分化！北大与港中文发布Fast-in-Slow VLA，让“快行动”和“慢推理”统一协作
北大与港中文研究团队发布 Fast-in-Slow（FiS-VLA）全新双系统视觉 - 语言 - 动作模型，将快速执行模块嵌入预训练视觉 - 语言模型，实现快慢系统一体化。该模型在多平台表现优异，控制频率大幅领先。
快来看看GPT-5第一波实测
GPT-5发布引全球关注，50万粉Youtuber Matthew Berman用25分钟视频展示其近30个任务表现，如做出魔方生成器、复刻网页版Word和Excel等。它多项能力有提升，但也有不足，被马斯克质疑，还因‘52>69’名场面遭吐槽。
jina-embeddings-v5-omni 发布！全模态向量小模型
Jina AI发布`jina-embeddings-v5-omni`，将`v5-text`能力拓展到多模态。`v5-omni-small`参数量小却追平LCO - 7B，在多模态评测中表现优异，但视频是短板。其采用‘冻结 + 投影’架构，训练快、省显存。
3.9K Star！Inkeep 把 AI 原生 Markdown 编辑器做成了开源项目！
Inkeep 团队开源 OpenKnowledge，这是真正为 AI 设计的知识库工具，已获 3.9K Star。它有所见即所得、AI 协作等亮点，还基于 Git 同步，保障数据安全，值得 Markdown 工具使用者关注。
像原始人一样和AI对话，费用可直接砍掉40%
开源项目‘caveman-compression’能帮使用ChatGPT API或其他大模型的用户省钱。原理是删废话留关键信息，有调用OpenAI和本地NLP两种压缩方式，不同场景省钱效果不同，还介绍了使用方法。
Hermes Agent 终于有入门指南了
Hermes Agent 是 Nous Research 推出的开源 Agent 框架，功能强大但开发者不知如何使用。4 月 8 号，Kevin Simback 整理出 Hermes 生态全景图，另一人推出《Hermes Agent: The Complete Guide》，48 小时获 568 星。
夯，开源 LiteParse，没有对手的 PDF 解析工具，知道的太晚了！
LlamaIndex团队开源独立工具LiteParse，用Rust打造，可本地运行、零成本、高精度解析PDF。它能提取文本及精确位置，有多种输出格式，支持多格式输入，还介绍了安装、使用、OCR配置等内容及应用场景。
姚顺雨现场颁奖，吉嘉铭、董冠霆等15位青年人才获腾讯「青云奖学金」
腾讯「青云奖学金」在深圳颁奖，首期选出 15 位获奖者，每人获 20 万现金和价值 30 万云异构算力资源。姚顺雨现身颁奖，获奖者有白雨石、陈俊松等青年 AI 学者，各有出色研究成果。
想给产品加一个 AI 搜索，是上向量数据库还是用 MongoDB 就够了？
本文解答产品添加AI搜索时，选用专用向量数据库还是MongoDB的选型疑问，理清两类检索的能力边界，讲解MongoDB检索的架构、用法与踩坑点，给出可复用的选型判断框架。