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

突破具身智能任务规划边界，刷新具身大脑多榜单SOTA，中兴EmbodiedBrain模型让具身大脑学会「复杂规划」

当前主流大语言模型在具身任务场景面临瓶颈，中兴星云大脑团队推出具身视觉 - 语言基础模型 EmbodiedBrain，构建全流程创新框架，在架构、数据训练、评估体系等方面有突破，还将开源成果推动生态发展。

Runway Gen-4.5突袭发布，获“视频生成AGI时刻”评价，在Artificial Analysis测试中拿下SOTA。它能精准执行复杂指令，物理还原与视觉精准度强，官方将逐步开放使用权限，还直言其存在因果推理等局限。

英伟达CEO黄仁勋在GTC大会展示LabOS，这是全球首个融合AI与XR的协研科学家平台。它将多模态感知等技术融合，构建端到端闭环，还通过三大生物医学案例展示功能，开启人机协同科研新纪元。

11月4日，昆仑万维发布全新SkyReels，定位“一站式、零门槛多模态AI创意平台”。它有无限画布、智能副驾、AI视频模板三大革新，重构创作流程。其技术进化快，还加入平面设计功能，有望撬动更大应用市场。

在全球计算机视觉学术顶会 ICCV 2025 上，理想汽车自动驾驶高级算法专家詹锟发表演讲，阐述了‘从数据到训练’的系统化思路，提出将世界模型与强化学习闭环落地于量产自动驾驶系统的完整架构。

港科广与腾讯联合团队提出VistaWise框架，将“跨模态知识图谱+轻量化视觉微调”引入开放世界智能体。实验显示其在“获取钻石”任务表现出色，成果被EMNLP 2025主会录用。该框架以低成本、跨模态为突破口。

谷歌在Gemini API上线URL Context功能，能让Gemini模型访问并处理URL内容。与普通扔链接给AI不同，它可深度完整解析文档。有深度解析PDF等能力，被指或成RAG替代方案，也有能力边界。

GTA 6跳票成梗，其场景常被用于研究。一个多月前全球首个AI原生UGC游戏引擎发布，如今Mirage迭代为更强大的Mirage 2，支持多样场景，与Genie 3有不同优势且已上线，不过仍有技术问题待解决。

昆仑万维技术发布周推出Skywork Deep Research Agent v2。它整合多模态检索理解和跨模态生成能力，有信息检索、小红书Agent等功能，Office Agent也有升级，还新增积分预估等特性，邀测后将全量开放。

全世界等了2年，GPT - 5正式发布，面向所有人免费开放。它在AIME 2025取得优异成绩，编程等方面全面提升，集成多模态和推理能力，还推出多种使用模式和API模型，不过也遭马斯克等质疑。