「多模态文档处理」共找到 2012 篇相关文章
VLA统一架构新突破：自回归世界模型引领具身智能
北京智源研究院联合中科院自动化所提出 UniVLA 全新 VLA 模型架构，基于全离散、自回归机制建模多模态信号，后训练引入世界模型。它刷新多项基准纪录，在真机操控和自动驾驶有潜力，为多模态感知决策融合带来新思路。
GLM4.5之后，智谱又开源GLM-4.5V，实测下来视觉推理能力贼强~
智谱继GLM-4.1V-9B-Thinking、GLM-4.5后，又开源最强多模态推理模型GLM-4.5V，在多模态理解榜单达开源SOTA。它视觉推理强，经测试能助力科研各阶段，还介绍了其架构设计与训练策略。
ICML2025 | 揭示MLLM的图文联动推理能力
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。
胡俊杰、吴佳俊、刘子纬等获奖，微软学者奖学金公布
2026 年微软学者奖学金名单公布，获奖者研究聚焦面向全球与社会影响的人工智能等前沿领域，项目汇聚创新社区推动协同演进，还介绍了入选的华人学者及其研究方向。
微信聊天记录喂AI（腾讯官方版）
用户可将微信聊天记录转发到元宝app，它能提供智能总结、分析等服务。在工作、生活、学习全场景都适用，如生成会议纪要、梳理旅游规划等，此前它还能总结微信文件、解读公众号文章。
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。
开源版AlphaXIV
开源版AlphaXIV可实现与arXiv论文智能对话，打破传统文献阅读壁垒。它利用微软Markitdown转换PDF，用MiniRAG索引内容，借助Google的Gemini API对话，还介绍了功能、问答流程、安装使用等。
本周推荐的6个超级6的Github开源项目！
本文推荐6个Github开源项目，包括Tabler（HTML仪表板UI工具包）、KrillinAI（AI视频工具）、Simple mind map（思维导图工具）、Sniffnet（网络流量监控工具）、Supabase（Firebase替代品）、FeHelper（开发者浏览器扩展），介绍了各项目特点与功能。
Anthropic发布重大更新推出CC进化版Claude Tag，Karpathy：LLM第三次交互革命来了
Anthropic推出Claude Tag，是Claude Code进化版，更主动适合团队协作。有多人协作、持续学习等四大优势，权限分频道隔离。Claude Enterprise和Team用户可在beta阶段用，Andrej Karpathy称是LLM第三次交互革命。
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。