「视觉推理功能」共找到 3979 篇相关文章
Github 9.8K Star真香！！再见黑白屏，这款终端神器让十六进制分析一目了然，效率200%+！
传统十六进制查看器单色显示影响效率，hexyl 基于 Rust 开发，彩色输出区分字节，支持多系统，免费开源获 9.8K Star。它功能多，安装方便，是十六进制分析利器。
字节开源高效解析文档图像的新型多模态模型Dolphin，快速将复杂的文档图像转化为结构化数据。
字节开源新型多模态模型Dolphin，采用“先分析后解析”范式，能将复杂文档图像转化为结构化数据。它有卓越性能和多种特性，还提供安装、推理使用指南。
Google 开源 InkSight，把手写笔记直接变成可编辑数字笔记！
Google 开源 InkSight，能将手写照片转为数字墨迹，与传统 OCR 不同，它可「还原书写方式」。具备离线转在线、多语言支持等功能，核心是「阅读 + 书写」双重训练，有两种使用模式。
ImageNet分数越高，生成反而越糊？iREPA给出解释
Adobe Research论文指出，视觉模型在ImageNet分类准确率高，生成效果未必好，全局语义强易压扁空间结构。iREPA修改REPA训练流程，削弱全局干扰，提升了生成质量。
5000 star，Harness门槛被OpenHarness打穿了
分享开源Python实现版本OpenHarness，它易上手，能助研究者和开发者理解生产级AI Agent原理、构建专用智能体。介绍其核心功能、架构及核心循环逻辑，还给出了Github链接。
谷歌放大招！Gemini「吞下」2.5亿地图数据，路痴AI一夜成精
谷歌推出「Grounding with Google Maps」功能，让Gemini接入Google Maps，可调用2.5亿地点信息。本次更新拓展了AI能力边界，适用于多领域，部分Gemini模型支持，还介绍了使用示例。
无需 OCR 就能从各类文档中提取结构化信息的本地化开源工具docext
docext是无需OCR的本地化开源工具，能从发票、护照等文档图像提取结构化信息。智能文档处理排行榜评估VLMs在多任务表现，docext有灵活提取、表格提取等功能。
诺奖获得者Hassabis警告：AlphaGo已觉醒，AGI正接管科研
十年前，AlphaGo击败李世石，让世人看到AI潜力。此后，DeepMind不断推进，其技术从棋盘拓展到科研，如AlphaFold解决蛋白质折叠难题，AlphaProof在数学推理获佳绩，这些成果显示AGI正接管科研。
当AI小说遇上短视频：这款神器让你1秒变导演！
作者小G推荐开源项目TaleStreamAI，它能将AI小说片段转为电影感短视频，具有全自动处理等功能，官方提供一键安装包，对创作者、程序员等有不同价值，开发者还在招募人员。
突发！Claude 4.5 发布，这次更新不止是模型！
Anthropic发布Claude 4.5，在编程等任务中表现优于GPT - 5。Claude Code升级，API添新功能，模型能力提升，对齐性改善。还推出Claude Agent SDK及“Imagine with Claude”功能。