「多模态长文档视觉问答」共找到 1663 篇相关文章
用3万小时触觉数据补齐具身智能「手感」，新智具身联合复旦大学统一触觉「方言」
新智具身联合复旦大学发布三份技术报告，将触觉跃升为具身智能核心基建。构建3万小时交互语料库统一触觉“方言”；提出新方案让机器人提前预判触觉；在世界模型中重构“触觉想象”，推动具身智能“视触融合”。
Fable 5被网友薅出省钱神招！最高减70%！
网友发现把Fable 5上下文转成图片，让模型通过OCR读取，token输入成本最多省70%。方法pxpipe在GitHub获3000+STAR，本质是本地代理，还引出谷歌老论文及DeepSeek - OCR相关技术。
金融AI武道大会开赛！四道业务真题，出题人：猜不到最优解
AFAC2026金融智能创新大赛开赛，赛题源于真实金融场景，如识别交易行为、还原金融文档等。它强调回归基础研究，探索模型产业价值，是今年金融AI领域值得关注的比赛。
2w star，网页秒变 AI 助手，厉害了！
阿里项目`PageAgent`登上Github热榜，是纯前端JavaScript GUI智能体框架。它让网页拥有AI Agent，通过自然语言控制界面，无需截图、OCR和多模态大模型，有多种功能特性，使用简单。
最大开源第一视角数据集 EgoLive 来了，名校站台、近百家机构争相申请
今年4月京东开源业界最大人类第一视角数据集EgoLive，已获近百家机构申请。它用自研设备采集，经多模态处理，覆盖多场景任务。其数据用于JoyAI - RA训练，在真实场景验证效果好，还推动具身智能数据标准化。
看屏幕、用键鼠，我的 OpenClaw「睁眼」了
2026年5月11日，OpenClaw上线macOS桌面操控工具Peekaboo，提供像素级截图、UI元素识别和GUI自动化能力。它打破Agent局限，可接管桌面操作，部署简单，普通人也能用，还有安全保障，但也存在坐标偏移等问题。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。
The Batch: 952 | GPT-5.5 性能领先，但幻觉问题突出
OpenAI 最新旗舰模型 GPT-5.5 是闭源视觉 - 语言模型，在重要基准测试中表现领先，但在区分已知未知内容上有困难，幻觉问题突出，在主观评估中落后于对手。
北大开源统一世界模型框架：多类合成推理任务一套搞定
世界模型研究中，不同任务存在接口不统一等问题。北大DCAI课题组联合多方推出OpenWorldLib推理框架，整合多模态能力，构建标准化接口体系，在多任务上评估效果良好，降低研发门槛。
中大 × MBZUAI重磅开源！A₁：全透明高效 VLA 模型，机器人实时控制成本直降 76% 丨CVPR 2026 Findings
开放世界机器人操作被大模型算力成本和推理延迟难题困住，中大与MBZUAI团队推出全开源的A₁模型，其自适应推理方案降低推理延迟和骨干计算量，性能超主流基线，打破‘高性能=高成本’魔咒。