「多模态长文档视觉问答」共找到 1665 篇相关文章
首个开源多模态Deep Research智能体，超越多个闭源方案
首个开源多模态Deep Research Agent登场，整合多种工具并优化决策。其WebWatcher技术方案覆盖全链路，实验中在四大核心领域领先主流模型，展现复杂推理和信息检索实力。
Omni-Effects：首个统一多特效生成框架
Omni-Effects是面向多样化定制视觉特效生成的统一框架，结合纯提示词驱动与空间感知提示，可精确控制特效位置。构建Omni - VFX数据集验证其有效性，在复杂场景有高鲁棒性。
大型语言模型稳定强化学习的新路径：几何平均策略优化GMPO
本文介绍了大型语言模型稳定强化学习新路径——几何平均策略优化GMPO。它是GRPO稳定化版本，通过优化几何平均替代算术平均，解决GRPO训练不稳定问题，在多任务实验中显著优于GRPO。
LeCun出手，造出视频世界模型，挑战英伟达COSMOS
训练有效世界模型面临数据、任务难度、算力消耗和评估等难题。Meta研究者提出通用视频世界模型DINO - world，可预测未来帧，在多方面有优势，实验显示其性能显著，能降低对标注数据需求。
让小爱音箱超越「指令-响应」模式，开启真正智能交互新时代
2017年智能音箱诞生，却被困于「指令 - 响应」模式。此次Open - XiaoAI进化，接管小爱音箱“耳朵”和“嘴巴”，通过多模态大模型和AI Agent释放其潜力，还给出项目运行教程等。
ACL 2025 Oral | 你的模型评测搭子上线：Evaluation Agent懂你更懂AI
上海人工智能实验室与新加坡南洋理工大学合作研发 Evaluation Agent，它能按需评估视觉生成模型，有可定制、高效率等优势。框架分提案和执行两阶段，评估结果佳，未来将拓展功能。
谷歌让机器人「长脑子」了！首发离线具身VLA模型，断网精准操控
谷歌首发具身智离线模型Gemini Robotics On-Device，实现VLA多模态大模型在具身机器人本地离线运行，无网络也能稳定运行。谷歌还开源了SDK，具身智能迈向实用化新阶段。
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。
马斯克的xAI以1130亿美元估值，出售3亿美元股权
金融时报消息，马斯克旗下xAI正以1130亿美元估值出售3亿美元股权，细节未全披露。若融资成功，其估值将跻身全球前列。xAI成立于2023年，获巨额融资，与X合并，产品Grok AI功能丰富。
360开源高质量图文对齐数据集！收纳1200万张图像+1000万组细粒度负样本，让模型告别“图文不符”
360人工智能研究团队的冷大炜博士团队开源FineHARD高质量图文对齐数据集，包含1200万张图像、4000万个边界框及对应描述、1000万组细粒度难负样本，能提升模型图文对齐能力，还介绍了构建方法、分析及应用前景。