搜索：文档视觉编码器

「文档视觉编码器」共找到 1290 篇相关文章

人形机器人终于学会洗碗了

Figure机器人学会洗碗，用的是叠毛巾和分包裹同款Helix架构，无新算法和特殊工程，仅增加新数据。该架构是端到端“视觉 - 语言 - 动作”模型，同一系统增数据就能学新技能。

淘天集团未来生活实验室团队提出首个3D动作游戏专用VLA模型CombatVLA，已被ICCV 2025接收。它能处理视觉输入输出动作指令，在战斗理解准确率和执行速度上表现优异，还构建了评测基准等。

Meta训出70亿参数「视觉巨兽」DINOv3并完全开源。它用自监督学习，无需人工标注，可生成强大图像特征，在多任务超专用方案，NASA已用其探索火星，还能推动多行业进步。

作者分享摆脱空白文档恐惧的经验，认为可让AI先写初稿，人与AI协同创作。以百度文库Genflow 2.0为例，展示其在资料导入、任务执行等方面优势，鼓励大家尝试与AI协作。

图像生成领域，自回归与扩散模型技术路线之争不断。腾讯混元团队发布X-Omni模型，通过强化学习提升自回归图像生成质量，能渲染长文本图像。该模型已开源，还构建奖励系统评估生成质量。

GPT - 5发布后问题频出，在数学、逻辑、编码任务中失误不断，还出现低水准图表错误，引发吐槽质疑。OpenAI联合创始人Sam Altman等在Reddit AMA活动中回应问题，给出解决方案并分享未来规划。

今天凌晨1点，OpenAI发布GPT - 5，采用内嵌式三位一体集成架构，有创新的实时决策路由机制。免费版ChatGPT可使用，有额度限制。测试显示其在多领域大幅超越前代，应用开发能力强，今日向部分用户推出。

当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。

人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。

在PDF文档解析领域，复杂表格解析是难题。今天分享的OCRFlux是基于qwen2.5vl - 3B模型微调的解决方案，有单页解析和跨页段落/表格合并等创新点，测试得分超96%，远超MonkeyOCR等。