「统一自回归」共找到 1634 篇相关文章
小红书团队开源dots.ocr：文档解析新王者，性能比肩Gemini！
文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。
一篇95页最新80种Deep Research系统全面综述
浙大研究深度研究系统领域，分析自2023年以来80多个实现，提出4维度分层分类法，全面分析4种实现架构，涵盖基础模型、工具利用、任务规划、知识综合等方面的演变与进步。
刚刚，谷歌AI路线图曝光：竟要抛弃注意力机制？Transformer有致命缺陷！
谷歌未来AI路线图曝光，Gemini全模态是重点，模型向智能体转变，推理能力将扩展。谷歌还需突破现有注意力机制限制实现无限上下文。此外，文中盘点了OpenAI、DeepSeek等大厂AI年中表现。
上海AI实验室造出首个「通才」机器人大脑：看懂世界+空间推理+精准操控全拿下
上海人工智能实验室联合多家单位提出通用具身智能大脑框架VeBrain，能集成视觉感知、空间推理和机器人控制能力。它统一三类任务语言建模范式，有“机器人适配器”，配套VeBrain - 600k数据集，性能测试表现出色。
小米造芯：一个失败者重整旗鼓
小米曾在2017年澎湃S1铩羽而归，2021年重启手机SoC设计研发。此次玄戒O1一次流片成功后回片，表现超预期。文章分析了小米此前失败教训，介绍其芯片战略，还谈及产业特点与小米面临的挑战。
Agent记忆系统：6大核心操作全景解读
自LLM进入Agent时代，记忆模块成研究重点。以往研究有缺憾，作者提出全面AI记忆研究框架，对记忆表示分类，引入六种基本记忆操作，并映射到多方面，还阐述各部分具体方法。
The Batch: 969 | 谷歌的机器人模型有了腿
谷歌发布 Gemini Robotics 2（GR2），能将相机图像和文字指令转为机器人关节控制命令，可同时控制人形机器人腿、躯干、手臂和手部，简化模型训练和设计，不过谷歌未公布其基础模型等信息。
刚刚，Claude水印一夜变废纸！
今早GitHub上一个去水印神器代码库爆火，狂揽11000颗星。它采用MIT开源协议，能抹除Claude等水印及相关文件鉴权数据。此前Anthropic高调展示水印技术，如今防线被打破，引发开发者对大公司傲慢的反击。
我让这个Agent筛了 161 份简历，又把一个社群项目交给它
一人公司创业者黄叔分享用 Agent 解决工作问题，一是让 Agent 在 BOSS 直聘初筛 161 份简历，二是让它安排专家做社群 7 天新会员运营方案，用纳米 Work 可提高工作效率。
读博最后一年转方向，拿到OpenAI offer：我的面试之路充满「意外」
布朗大学博士生Yong Zheng - Xin自宣下月加入OpenAI做AI安全研究。他博士最后一年转方向，分享求职经历，总结6个意外洞察，如求职重要的可能仅一两篇论文、面试形式多样等。