「多模态长文档视觉问答」共找到 1665 篇相关文章
全日程公布｜谷歌Veo 3惊艳发布后，这场CVPR分享会值得每个AI人「听个声」
谷歌在 I/O 2025 大会发布 AI 视频生成模型 Veo 3，实现音画同步。为让从业者了解 AI 新成果与趋势，机器之心 6 月 8 日将举办「CVPR 2025 论文分享会」，公布全日程、嘉宾及主题，还会直播。
ICML 2025 Spotlight｜南洋理工陶大程教授团队等提出基于RAG的高分辨率图像感知框架，准确率提高20%
南洋理工陶大程教授团队等合作，为解决多模态大语言模型处理高分辨率图像问题，探索 RAG 应用可行性，提出 Retrieval-Augmented Perception (RAP) 框架，在多任务上提升性能，已被 ICML 2025 接收。
藏在机器人指尖的AI底座：一家触觉公司的野心｜甲子光年
本文指出机器人产业正补触觉这一课，2026年以来触觉成具身智能热门方向。但给机器人装传感器不代表其有触觉。以他山科技为例，剖析其全栈布局，探讨让机器人从物理世界获经验的路径及产业发展机会。
OpenAI搬空Claude Code！用户家当一键进Codex，唯独带不走Claude
AI编程大战中，OpenAI盯上对手用户的配置、技能等“家当”。8月11日其统一外部智能体导入说明，可将Claude Code等工具配置等搬入Codex，但只能进不能出，且部分内容无法迁移。
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。
The Batch: 964 | Claude 亮相另一款 Opus
Anthropic发布Claude Opus 5，这是款视觉 - 语言模型，运行成本低，多任务表现优于Claude Fable 5。它在多项测试中领先，解决了Fable 5的一些问题，但也有易产生幻觉等不足。
四大AI手搓蒙娜丽莎！8次临摹，最像那版全被自己改没了
AI工具平台TryAI搭建「绘画竞技场」，让GPT - 5.6 Sol等四个视觉模型临摹蒙娜丽莎等，记录实验过程。结果显示，模型最终作品不如中途最佳版，且成本差异大，工具使用方式不同。
谷歌放的这波免费AI额度，大到很多人以为是假的
谷歌在Google AI Studio上调整Gemini API免费层规则，额度达每分钟100万token，无额外申请门槛。覆盖Gemini 2.5全系列模型，支持多模态输入。开发者反应两极，有人看好，也有人质疑。
千问Qwen旗舰预览版Qwen3.6-Max-Preview发布
千问Qwen发布下一代旗舰模型早期预览版Qwen3.6 - Max - Preview，在权威评测中登顶最佳国产模型。此前开源的Qwen3.6 - 35B - A3B用30亿激活参数匹敌数百亿参数稠密模型，新模型在多方面给出技术演进方向。
用Claude Code剪视频，自动去口癖、加字幕、调色，完全免费开源
browser - use团队开源Claude Code技能video - use，可自动去口癖、加字幕、调色等。它通过转录文本和按需视觉合成图让LLM理解视频，有完整流水线和设计原则，还给出使用方法。