搜索：多模态长文档视觉问答

「多模态长文档视觉问答」共找到 1665 篇相关文章

缺数据也能拿SOTA？清华&上海AI Lab破解机器人RL两大瓶颈

现有机器人视觉 - 语言 - 动作（VLA）模型训练范式存在数据采集成本高、泛化能力不足等问题。清华和上海AI Lab团队提出SimpleVLA-RL，解决了VLA模型训练的核心瓶颈，在多基准测试中实现SoTA性能。

Hugging Face悄悄上线一批免费AI课程，还带认证证书。课程从大语言模型到扩散模型，从计算机视觉到游戏AI，覆盖面广。完成课程可拿证书，还能在平台分享成果，是学习AI的好机会。

随着AI发展，打造能推理又能创作的系统成为焦点。但让LLM学习视觉创作面临训练成本高和能力受损问题。BIFROST - 1框架在MLLM和扩散模型间建通信信道，解决核心痛点，实验表现出色。

在世界人工智能大会上，多家企业推出AI PPT类产品，但大多只能生成，不会使用PPT。金山办公发布WPS AI 3.0版本——WPS灵犀，它是原生Office办公智能体，能像人一样使用办公软件，还带来灵犀语音助手和WPS知识库。

在AI驱动的桌面自动化领域，传统工具部署复杂且性能受限。最近GitHub开源的Windows - MCP工具，能让AI助手与Windows UI原生交互，可进行点击、输入等操作，支持Windows 7 - 11，无需传统计算机视觉技术。

图像超分辨率技术在多种视觉任务中重要，但传统方法泛化能力有限。德克萨斯A&M等大学研究人员推出4K Agent，其多智能体架构能将低分辨率图像提至4K高清，在多领域测试表现出色。

7月29日智谱开源GLM - 4.5。作者实测发现其在UI设计审美不如R1，生成卡片表现不一，Coding能力勉强及格，全栈代码生成未达可用阈值，存在无多模态能力、上下文窗口短等问题，目前还别急着冲。

今日百度正式开源文心大模型4.5系列10款模型，涵盖不同参数规模。该系列模型在多文本和多模态基准测试达SOTA，多项评测超Qwen3、DeepSeek - V3，还具备三大关键创新，获开发者关注。

2025年全球开源软件项目数量增长，中国企业贡献显著。字节跳动在火山引擎原动力大会开源开发者日上，多位负责人分享开源经验，探讨其为AI Agent带来的技术改变，展示解决行业痛点的理念与实战经验。

在 WWDC 2025 上，苹果宣布在多操作系统引入‘液态玻璃’新视觉风格，是 12 年来最大 UI 革新。这或成苹果移动端外观重大转变，但也掩盖其 AI 落后现状，还让开发者面临功耗、适配等挑战。