搜索：视觉推理任务

「视觉推理任务」共找到 3940 篇相关文章

你奶奶也能看懂：DeepSeek-OCR的秘密。

本文介绍DeepSeek-OCR，它并非普通OCR工具，而是用“上下文光学压缩”将大量文本信息转为少量视觉Token。其架构含编码器和解码器，压缩效果惊人，重新定义AI“记忆”，或改变AI认知方式。

大型语言模型缺乏记忆管理系统，限制其发展。MemTensor与高校联合开源MemOS，它将记忆视为可管理资源，有三层架构，系统化三种记忆类型。评估显示其在推理、检索、加速等方面表现优异。

格灵深瞳等团队联合发布通用多模态嵌入新框架UniME，刷新MMEB训练榜纪录。它是两阶段框架，经文本判别知识蒸馏和困难负样本增强指令微调，在多任务达SOTA，项目已开源。

作者将X接入Codex，通过官方MCP直接调用X API获取数据。这让AI OS有稳定实时信号输入，成为主动工作系统。介绍接入步骤、费用及使用建议，如先跑小任务。

MiniMax推出新Agent Mavis，可组建团队完成任务。其Agent Team分工明确，能解决单Agent在长程任务中的痛点，还将开源。此外，TokenPlan和Agent Plan合并，性价比提升。

开源君在Github发现开源OCR工具Zerox，由Omni - AI团队开发，利用AI视觉模型“阅读”文档，将多种格式文档转Markdown。它功能强大，处理复杂文档优势明显，在Github获9.4K Star。

随着DeepSearch问世，搜索模式正从传统网络搜索向智能体搜索转变。文章拆解Search Agent核心模块，围绕制定任务、搜索、优化、应用和评估分析，介绍各模块特点、架构及优化方向等。

香港科技大学（广州）等多机构打造具身智能评测基准 RoboMemArena，突破传统局限，构建综合评测体系，配套真机测评。它提供多模态标注，任务长程多样，开源资源易用，PrediMem 在其上表现出色。

MIT团队的Human Operator项目是实时人体增强工具，也是MIT Hard Mode 2026获奖项目。它通过视觉 - 语言模型结合电刺激肌肉实现人体运动控制，介绍了技术栈、环境要求、软硬件准备、安装步骤等。

4月8日，加州理工学院等联合团队在arXiv发布论文，证明小型量子计算机处理部分机器学习任务时，可用指数级更少内存超越经典计算机。研究绕开QRAM，提出算法框架验证优势，但仍待真实硬件验证。