「多模态长文档视觉问答」共找到 1665 篇相关文章
SIGGRAPH Asia 2025｜30FPS普通相机恢复200FPS细节，4D重建方案来了
3D视觉领域难题是用普通摄像机将高速世界转为数字化4D时空。受限于成本和带宽，现有方法有局限。本文提出“异步采集 + 视频扩散模型修复”方案，用30 FPS相机恢复100 - 200 FPS动态细节。
GPT-5.2 发布：做表格、写 PPT、敲代码 | 打工人的生产力利器
GPT - 5.2发布，在GDPval评测等众多基准测试中刷新行业水平。GPT - 5.2 Thinking适合真实场景与专业工作，在知识型任务、编码、长上下文处理、视觉理解、工具调用等方面表现出色，部分功能需付费使用。
谷歌用Gemini 3同时革了OpenAI和英伟达两家的命
谷歌发布Gemini 3全家桶，打断英伟达和OpenAI双赢美梦。它实现原生多模态，对OpenAI构成代际优势；用TPU训练模型，摆脱CUDA依赖，冲击英伟达算力神坛。谷歌全栈自研，其发展或改变AI格局。
太炸裂了！全网实测Nano Banana Pro，网友：这模型里到底装了什么鬼东西！
谷歌Nano Banana Pro出世引发全网关注，它又名Gemini 3 Pro Image，整合多模态理解能力与知识库。普通用户可在Gemini应用免费体验，实测显示其实力强悍，还在网友手中玩出花，谷歌CEO也站台。
30秒，我用蚂蚁灵光复刻了个支付宝（doge）
蚂蚁集团推出全模态通用AI助手灵光，最快30秒生成私人定制小APP，可编辑交互分享。实测其功能丰富且专业，实现多模态输出和多智能体协作。还对比了与千问区别，介绍蚂蚁AGI布局。
杨植麟带 Kimi 团队深夜回应：关于 K2 Thinking 爆火后的一切
上周，月之暗面发布并开源 Kimi K2 Thinking，主打“模型即 Agent”，一上线便引发关注。今日凌晨，杨植麟等人在 Reddit 开展 AMA 活动，回应 K2 Thinking 一系列问题，还回顾了其在多项测试中的亮眼成绩。
用完这张无限可能的AI画布，第一次感觉人类导演要失业了！
2024年7月上线后迅速风靡海外的SkyReels发布最新版本，它重构AI创作生态，打通「图片—音频—视频」全栈，集成多种功能于一张画布，还推出专家智能体，让普通人轻松创作高质量内容。
当搜索遇见 AIGC：京东零售的“千人千面”素材生成实践
在 AIGC 浪潮下，视觉生成技术重构电商生态。京东零售李岩介绍“千人千面”商品素材生成技术链路，包括关键模型及实现框架，还发布焕新版京点点平台并预告新能力，推动电商个性化变革。
Dexmal原力灵机开源Dexbotic，基于PyTorch的一站式VLA代码库
Dexmal原力灵机推出基于PyTorch的开源视觉-语言-动作模型（VLA）代码库Dexbotic，面向具身智能研究者。其架构含三大核心组件，有五大特征，还推出开源硬件，未来将持续投入生态建设。
一周10来个模型被开源，阿里Qwen杀疯了~
阿里通义千问这周开源众多模型，如Qwen3 - Omni、Qwen - Image - Edit等，涉及全模态、图像编辑、安全审核等多领域。各模型能力出色，如Qwen3 - Omni能处理多模态输入，Qwen3 - VL表现超部分闭源模型。