「多模态文档处理」共找到 2014 篇相关文章
长视频会议纪要、访谈节目精剪AI神器
WhisperVideo是用于长篇幅、多说话人视频的简洁演示系统，专为真实对话构建。它有SAM3视频分割、TalkNet主动说话人检测等功能，具备视觉关联说话人归属等特性，文中还介绍了安装、运行等内容。
9.6k Star，这三个开源Claude Cowork火了
前几天Anthropic推出Claude Cowork，供非程序员写文档、回邮件等。开源社区很快出现替代品，PaperAgent整理三个有代表性项目，最高9.6k Star，还介绍了Claude Cowork技术栈。
OpenAI偷袭，谷歌掀桌！2026开年第一场AI大战太精彩
OpenAI悄悄上线ChatGPT Translate挑战谷歌翻译，该工具支持超50种语言，有翻译后「二次加工」能力，但功能尚不完善。谷歌则高调开源TranslateGemma模型，支持55种语言，效率惊人，12B参数超越27B基线。
RDSAI-CLI - 用AI重塑数据库终端CLI体验
阿里云RDS团队在发布「RDS AI助手」后，推出智能终端工具RDSAI-CLI。它融合大语言模型能力，将数据库命令行操作升级为意图式交互。该工具已开源，有基础与高级功能，未来还会持续优化。
3.9k星星爆火硬件开源，用Wi-Fi实现室内人体活动检测。
智能家居有诸多需求待解，如家庭安防、老人看护等。ESPectre开源项目用Wi-Fi检测室内人体移动，无需摄像头和红外传感器，配件成本低，利用Wi-Fi信道状态信息及高效算法实现功能。
18K+标星！视觉AI驱动的浏览器自动化，告别XPath，无惧网页改版！
网页自动化常遇页面更新脚本报废等难题，而开源工具Skyvern不走传统XPath/DOM路子，用视觉+大语言模型理解网页，能自适应改版，功能丰富，安装运行简单。
开源即爆火！英伟达重磅推出OmniVinci全模态大模型
英伟达在华盛顿GTC大会开源OmniVinci全模态大语言模型，实现视觉、音频、语言统一理解。它性能超竞品，架构有创新，数据引擎庞大。实验有重要洞察，在多场景表现佳，代表全新AI范式。
马斯克「世界模拟器」首曝，1天蒸馏人类500年驾驶经验！擎天柱同脑进化
特斯拉官宣「世界模拟器」，可模拟、合成自动驾驶的「孪生世界」，生成不同视角和长尾场景。它基于端到端神经网络，有学习人类价值观等优势。还能用海量数据解决难题，输出可解释中间结果，为自动驾驶和擎天柱训练服务。
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准
上海人工智能实验室等机构提出IWR - Bench评测基准，从“image - to - code”迈向“video - to - code”，对28个主流模型测试，最佳模型GPT - 5仅36.35分，指出当前模型短板，为研究指明方向。
老牌Transformer杀手在ICLR悄然更新：Mamba-3三大改进趋近设计完全体
Transformer架构仍是AI主流，Mamba作为挑战者影响力大。Mamba-3在ICLR 2026盲审，有梯形离散化、复数化状态空间模型、多输入多输出状态空间模型三大改进，实证表现佳，适合多场景。