「多模态文档处理」共找到 2016 篇相关文章
当 Agent 尝试接管浏览器，连“我是人类”都证明不了？上海交大开源发布交互评测基准 HLL
随着多模态大模型发展，Web Agent 面临验证码挑战。上海交通大学等团队发布 HLL 评测基准，解耦真实度为三维度，对 8 款前沿模型测试，揭示 Agent 在多步交互微操上的短板。
独家对话大晓机器人陶大程：具身机器人大脑，不必装下整个世界｜甲子光年
甲子光年独家对话大晓机器人陶大程，探讨具身机器人大脑。陶大程提出控制充分状态，大晓用Kairos模型回应世界模型问题，强调行动后果建模，还谈了数据处理、技术风险及应用场景等。
全球第一！ 中国模型登顶榜首，首个可编辑AI语音来了
中国AI语音ViiTorVoice登顶全球语音权威评测榜单Seed - TTS，首创「局部编辑」能力，解决语音无法局部编辑痛点。实测效果惊艳，还具备精准情绪控制、无参考文本克隆等能力，部分模型已开源。
【翻译】在 Codex 中使用 Goals：长时间工作的持久目标
文章介绍 Codex 中的 Goals，它是持久目标，能让线程跨多轮对话朝明确结果推进。阐述了 Goals 与普通 prompts 的区别、编写方法、活跃后的变化、设计方式及适用场景等，还通过案例展示其在研究任务中的应用。
对话 Lucius 赵赫：AI 员工的本质，是一份有 SLA 的劳动合同
这是对Lucius创始人赵赫的访谈。他表示Lucius做的是企业的Context Layer，提供有SLA的AI员工服务。目前服务三十余家企业，交付结果而非提效，还探讨了AI员工角色、与人类关系、技术架构等内容。
突破三维感知瓶颈：魔芯科技发布VGGT系列成果，实现动态高保真重建并获新一轮融资
魔芯科技联合同济大学等团队，基于 VGGT 架构发布四项成果，突破三维感知在流式处理、动态鲁棒性和精细感知上的瓶颈。还获新一轮融资，后续将加大对空间智能与世界模型技术投入。
DESIGN.md：又一个你必须知道的Markdown文件
Google Stitch推出DESIGN.md，这是一个纯文本设计系统文档，放项目根目录，AI助手能直接读取生成一致UI。它含基础设计规范，有9个核心部分。还有现成设计系统库，HyperDesign可自动生成该文件。
骂谷歌干蠢事、炮轰甲骨文、AI在真实数据库测试得分为0！83岁图灵奖数据库教父的硅谷“狂人日记”
本文是对图灵奖得主、Postgres 奠基者 Mike Stonebraker 的访谈。他直言大模型 Text - to - SQL 在真实数据库测试得分低，批评谷歌、甲骨文等公司做法，还探讨数据库未来，如 Agent 读写与数据库结合、DBOS 技术等。
迈向无缝共生：大模型GUI Agent的「屏幕图灵测试」与拟人化之路
多模态大模型使GUI Agent能模拟用户执行任务，但也引发与平台的利益冲突。论文提出“屏幕图灵测试”和AHB基准评估拟人化能力，探讨拟人化策略及权衡，为Agent在数字世界共生提供指南。
懂方言，通诗词，精通30国语言，阿里发布语音识别大模型Fun-ASR1.5
阿里发布语音识别大模型Fun - ASR1.5，可精准识别30种语言，覆盖中文七大方言体系及二十余种地方口音，强化古诗词诵读专项识别，后处理环节优化标点预测和文本归一化，降低人工成本。