「OCR技术」共找到 2889 篇相关文章
只有0.9B的PaddleOCR-VL，却是现在最强的OCR模型。
近期OCR赛道火热，作者应读者要求解读PaddleOCR-VL。它是百度PaddleOCR系列新模型，仅0.9B参数，在OmniDocBench v1.5评测多项领先。其架构高效，实测处理各类文档能力强，已开源。
破解「有身无脑」困局，首届具身智脑技术生态大会即将启幕
人工智能向物理世界延伸的具身智能正重塑机器人产业。当下其处关键节点，但国产机器人‘有身无脑’。具身智脑可解决该问题。3月27日首届具身智脑技术生态大会将启幕，有成果发布与多元交流。
DeepSeek-OCR 2再进化，对图像理解已经像人一样逻辑推理了
DeepSeek-OCR 2升级，保持前代高效压缩率和解码效率，引入DeepEncoder V2，模仿人类视觉因果流机制，将图像理解转为逻辑推理，在文档解析领域实现逻辑重构，性能显著提升。
0.07B大败QwenVL72B！百度开源OCR3.0"三件套"
OCR 历经四次范式迁移，工业落地存在精度与参数量等矛盾。百度开源 PaddleOCR 3.0“三件套”，含 PP - OCRv5、PP - StructureV3、PP - ChatOCRv4，各有创新点，解决了多语种识别、版面还原等问题。
让外部知识“长入”模型：动态化与参数化 RAG 技术探索
检索增强生成（RAG）成大语言模型利用外部知识主流范式，但传统方法将其当黑箱，忽略动态需求和机制鸿沟。艾清遥博士介绍动态化和参数化检索增强技术，可提升准确性与适应性，减少计算开销。
DeepSeek 硬核开源 DeepSeek-OCR-2！弃用 CLIP 改用 Qwen，创新视觉因果流！
昨天开源社区热闹非凡，Kimi 发布 K2.5，DeepSeek 则推出 DeepSeek - OCR - 2，用 LLM 架构替换传统 CLIP 视觉编码器。它核心创新是视觉因果流，能智能规划阅读路径，性能高效且全量开源。
全球首个通用决策大模型，AI推演现实世界的技术揭秘
中科闻歌决策机Decitron被称为「全球首个通用决策大模型」，它将不同能力统一到开放世界决策框架，形成闭环。8月3日其技术报告发布，公开三项核心技术，还介绍了推演流程和实验验证情况。
2.8K Star！开源免费的离线OCR工具，识别准确率媲美大厂。
在文档数字化和自动化工作流中，离线OCR工具受青睐。GitHub上的TrWebOCR开源、离线，中文识别率高，媲美大厂。它亮点多，有快速上手指南和接口调用示例，适用场景广，但两年未更新。
苹果脑机接口技术曝光：用思想操作 iPhone，AI 直接能代其“发声”？
苹果宣布与脑机接口公司 Synchron 合作，开发能读取大脑信号的植入式设备，可将信号转化为操作指令。该技术尚处早期，对残障人士是重大进展，结合 AI 潜力巨大。
蚂蚁技术研究院副院长吕乐当选美国医学与生物工程院（AIMBE）Fellow
美国医学与生物工程院（AIMBE）公布2026届Fellow入选名单，蚂蚁集团技术研究院副院长吕乐博士当选。该机构Fellow评选是领域最高荣誉之一，仅授予全球前2%顶尖人才。吕乐在医疗AI贡献突出。