搜索：多模态视觉理解模型

「多模态视觉理解模型」共找到 1933 篇相关文章

字节开源多模态复杂文档解析模型！Dolphin：页面与元素并行解析，精准解析复杂文档！

多模态AI与文档解析兴起，传统OCR解析复杂文档常出错。字节跳动开源多模态模型Dolphin，通过两阶段机制精准解析，有多种功能，安装使用友好，适用于多场景，降低了复杂文档解析门槛。

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。

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。

2025 年大模型和 Agent 渐入大众视野，虽大家对 Agent 理解有别，但它落地效果和想象空间大。扣子用户达百万级，此次发布最新创作者榜单，后续还将发相关内容。

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。

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。

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。

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。

AI让答案不再稀缺，学生面临新挑战。7月3日学而思发布2026旗舰新品，提出学习机应陪孩子理解、练习、进步，将诊断、学习等环节连成路径，强调不替孩子学，保护学习过程。

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。