「多模态文档处理」共找到 2014 篇相关文章
通往通用人工智能的关键一步？DeepMind放大招，3D世界最强AI智能体SIMA 2
Google DeepMind发布SIMA 2，这是能在虚拟3D世界自主游戏、推理和学习的通用AI智能体。它集成Gemini模型，从指令跟随到主动认知跃进，泛化性能提升，还具备自我提升能力，为AI和机器人技术发展提供新路径。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
Feed-Forward 3D综述：三维视觉如何「一步到位」
这篇由12所机构联合撰写的综述论文，总结2021 - 2025年间数百项创新工作，建立Feed - Forward 3D方法谱系与时间线，介绍五大技术分支、应用场景、评测指标与结果，还指出未来挑战与方向。
手机操控革命！开源手机AI Agent，自然语言操控Android/iOS！
传统移动设备自动化工具难实现自然语言控制和跨应用交互，开源项目Mobile - Use提供解决方案。它由Minitap AI开发，能通过自然语言指令实现设备UI感知自动化，功能丰富，应用场景广。
美国航天局与谷歌合作，打造AI医疗助手，以保证宇航员健康
Techcrunch消息，美国宇航局NASA和谷歌合作开发AI医疗助手CMO - DA，保障前往火星的宇航员健康。它有多种模态功能，在谷歌云运行。经测试诊断准确性较高，未来还会增加数据源和情境感知能力。
每一幕皆可控！字节发布多主体视频生成神器，人人皆主角
字节发布多主体视频生成神器MAGREF，基于一张参考图像，能生成主体高度一致的视频，多人同台也不串脸。它采用三阶段数据处理流程，构建在DiT架构上，实现复杂视频生成任务。
Anthropic 官方：Genspark 是如何构建 Agents 的？
Genspark借助Claude打造自适应AI Agents，突破传统搜索工作流限制。其Super Agent以Claude为核心，实现动态协调，变革用户创造和研究方式，带来显著商业影响，揭示AI开发新原则。
AI开源狂飙，OpenAI们慌了！GenAI大洗牌，2025趋势深度解读
2025年，ChatGPT仍领跑，但DeepSeek、Qwen等开源模型加速追赶。独立机构报告总结六大趋势，涵盖技术突破与市场格局演变，如推理模型实用化、MoE架构普及等，开源势力挑战闭源巨头。
这款小众 AI 产品，真让我眼前一亮
AI笔记应用Granola获4300万美元融资，估值达2.5亿美元。它打破传统会议记录模式，发挥人和AI优势。其创始人分享创业和产品理念，探讨产品决策、用户反馈筛选等问题，还谈及旅行对直觉的影响及产品发展方向。
2w+ star，和claude对着干，牛皮！
Anthropic 给 Claude 生成文字添加水印，方式独特且难去除。`watermarks-remover` 项目应运而生，针对不同水印机制分层处理，兼容多格式文件，有多种安装使用方式，还明确告知能力边界。