搜索：多模态长文档视觉问答

「多模态长文档视觉问答」共找到 1664 篇相关文章

重磅！iPhone 端侧可部署 Gemma 4 了！完全零token消耗！

PhoneClaw 是运行在 iPhone 的本地 AI Agent，可离线运行 Google Gemma 4。它支持多模态，有隐私保障和灵活模型管理。文中介绍使用方法、自定义 Skill 方式、常见问题，还提及后续扩展计划。

Chayenne Zhao 发文炮轰 harness 概念，认为它只是工程常识换个名字。她以 SGLang 社区构建多智能体系统为例，阐述解决问题的方案和关键决策，还指出真正驱动改进是环境层面，而非模型。

研究表明扩散图像生成器学习重建预训练编码器嵌入可加快训练，Apple团队提出的FAE，通过缩小嵌入再重建解决了因嵌入尺寸大导致的训练受阻问题，性能与先进模型相当且训练更快。

国内 Seede AI 团队发布海外新产品，无需写咒语，填文案信息就能让 AI 搞定排版等。它生成可编辑源文件，适合有内容但不会设计的人，还支持多格式导出，不过不擅长创意生图。

Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。

随着大模型能力提升，业界关注智能体落地，而高效性是决定能否上线的‘硬’问题。论文梳理‘高效智能体’综述，从记忆、工具学习、规划三机制出发，还谈及基准评测、挑战与展望。

依图科技总裁段爱国在朋友圈宣布离开，已获公司同意。他2023年10月加入，任职时依图业务收缩、战略聚焦。此前他是华为机器视觉总裁，推动依图多领域发展。此次变动或暗示依图困境。

黑森林实验室发布开源的FLUX.2 Klein模型家族，是紧凑架构，将高质量图像生成与编辑速度压缩至亚秒级，在消费级显卡实现旗舰性能。其统一架构打破生成与编辑壁垒，还与NVIDIA合作优化。

沉浸式翻译是跨平台在线翻译工具，有网页、文档等翻译功能，获千万用户与Chrome年度殊荣。近期开源BabelDoc和OneAIFW，前者还原PDF排版，后者保护本地隐私，解决阅读和安全问题。

多模态大语言模型发展下，GUI Grounding任务是难题，现有RLVR方法有瓶颈。浙江大学等团队提出AEPO框架，推出InfiGUI - G1系列模型，小参数量刷新GUI基准测试SOTA，代码已开源。