「文档图像解析」共找到 944 篇相关文章
Agent、图像、视频全是大版本升级：春晚还没开，豆包AI就火了
2026年AI市场竞争激烈，海外公司密集发布新模型致华尔街震动。国内腾讯、阿里、字节参战，字节官宣豆包参与春晚互动。2月14日火山引擎宣布豆包系列模型全面升级，含大模型2.0、图像模型Seedream 5.0 Lite、视频模型Seedance 2.0。
卡帕西预言成真！华人团队开源全AI操作系统：神经网络模拟Windows，预测下一帧屏幕图像
大神卡帕西曾预言“AI时代的图形用户界面”，受此启发，华人团队提出NeuralOS，靠RNN和渲染器模拟Windows，能预测下一帧屏幕图像。虽对键盘精细操作处理欠佳，但已开源，有在线体验版。
AI读网页，这次真不一样了，谷歌Gemini解锁「详解网页」新技能
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。
我如何用低代码平台复刻NotebookLM体验：从文档到可控PPT生成，全流程实战。
本文作者用低代码平台BISHENG复刻NotebookLM的PPT生成功能。介绍了技术栈，详述工作流搭建，包括文档上传、问答、PPT生成等，还提及HITL机制提升成功率，最后总结了低代码平台的优势与不足。
Google 推出了免费 Vibe Coding 工具，一键集成聊天、视频、图像AI，真的很氛围。
谷歌推出免费 Vibe Coding 工具，集成多种 AI 功能。谷歌 AI Studio 的 Built 模式更新，能混合匹配 AI 功能，自动连接模型和 API。用户无需了解 API 文档，可快速做出 MVP，谷歌 AI API 免费（限速）。
谢赛宁等推出统一多模态模型！替代VAE实现图像理解/生成双SOTA，代码权重数据集全开源
谢赛宁等团队推出统一多模态模型Blip3 - o，用扩散Transformer生成CLIP图像特征，采用顺序预训练策略。对比多种设计方案，确定CLIP + Flow Matching最佳，模型在多任务测试表现卓越且全开源。
MinerU又开源了！这次专治OCR跨页失忆症
文档解析领域，MinerU团队开源了专门给OCR结果做“后处理”的4B小模型MinerU - Popo。它能把碎成一页一页的OCR结果重新拼成文档级结构，解决了当前OCR跨页逻辑断裂问题，且效果和成本优势突出。
黑森林FLUX.2 Klein开源，亚秒级高质量图像生成和编辑，普通电脑就能跑
黑森林实验室发布开源的FLUX.2 Klein模型家族，是紧凑架构，将高质量图像生成与编辑速度压缩至亚秒级，在消费级显卡实现旗舰性能。其统一架构打破生成与编辑壁垒，还与NVIDIA合作优化。
PDF难点解析：处理复杂表格、水印、印章、复选框、信息抽取等7项任务，6大能力
文章介绍Nanonets - OCR - s可处理关键信息提取、视觉问答等7项任务，具备LaTeX方程识别、图像描述等6项能力，还给出体验链接。但测试发现英文体验优于中文，模型有重复输出、幻觉严重问题。
何恺明带大二本科生颠覆扩散图像生成：扔掉多步采样和潜空间，一步像素直出
何恺明团队提出新方法Pixel Mean Flow（pMF），突破传统扩散模型/流模型限制，砍掉多步采样和潜空间，一步在像素空间生成图像，在ImageNet不同分辨率上取得佳成绩，还介绍了核心设计、实验结果对比等。