「文字识别」共找到 354 篇相关文章
阿里开源PromptEcho：用冻结多模态大模型为文生图训练提供高质量Reward
阿里团队提出PromptEcho方法，无需标注和训练reward模型，仅通过冻结多模态大模型（VLM）的一次前向推理获高质量reward。实验显示其在文生图和电商海报文字渲染任务效果佳，且已开源相关代码等。
我们用飞书开了个选题会，一下进入现代化办公，编辑部直呼：真香
2025年飞书未来无限大会上，飞书发布和升级诸多产品。如达M3标准的知识问答，可秒搜文档；达M4标准的飞书会议，支持声纹识别。多维表格性能提升、应用构建升级，还有AI工具全家桶。
吉卜力风「手游」爆火，可灵+Midjourney生成的！教程已出，支持复刻
吉卜力风格“手游”在Reddit和推特爆火，它由AI制作，创作者用可灵AI、Midjourney结合文字提示实现效果，公开教程支持复刻。还介绍了制作方法及提示词示例，可灵AI发展势头也很猛。
The Batch：841 | 大语言模型正在纠正历史遗留的不公
美国北加州旧不动产契约含种族歧视条款，虽已非法但人工筛查耗时久。斯坦福和普林斯顿研究团队微调大语言模型识别圣克拉拉县契约中的歧视条款，模型可理解上下文，结果经律师确认，研究成果已开源。
高考第一天，用豆包修图3.0花式「整活」送祝福，已原地笑翻！
豆包的一句话P图功能进化，其图像编辑模型SeedEdit 3.0全量上线，AI修图进入3.0时代。用自然语言就能精准编辑图片，在文字编辑、局部修改等方面表现出色，还突破以往模型瓶颈，成设计师利器。
不止剪辑！剪映的未来是一站式AI视频平台
剪映产品负责人宣布，其野心是成为一站式AI成片的创意伙伴。今年对AI文字成片功能系统性升级，整合豆包、DeepSeek模型，新增多种功能，还推出剪小映应用，要打造一站式AI视频编辑平台。
Wispr Flow 平替, 这款开源中文语音助手，程序员真该试试,本地离线的中文语音输入神器来了（开源白嫖版）
蛐蛐（QuQu）是开源桌面应用，用本地语音识别模型和配置的大语言模型，将语音实时转文字并润色。它主打本地语音工作流，替代Wispr Flow，免月费且保护隐私，适合中文用户。
小红书团队开源dots.ocr：文档解析新王者，性能比肩Gemini！
文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。
何恺明CVPR最新讲座PPT上线：走向端到端生成建模
今年CVPR闭幕，何恺明现身会场并做了主题为‘走向端到端生成建模’的分享，近日其个人网页上传了该分享PPT。PPT回顾识别模型演进，探讨生成模型能否重演历史，还介绍了MeanFlow方法及成果。
WhisperLiveKit：本地同步实时语音转文字
实时语音转文字难题待解，现有方案各有缺陷。WhisperLiveKit项目用前沿同步语音技术解决问题，支持多语言同步翻译、实时说话人识别等，还介绍了安装、部署方式，不过效果受语言和模型等因素影响。