搜索：多模态长文档视觉问答

「多模态长文档视觉问答」共找到 1665 篇相关文章

成本暴降88%！通义实验室、北大发布ZeroSearch，无需搜索即可激活LLM检索能力

信息检索能力对提升大语言模型推理表现至关重要，但现有方法在训练中面临文档质量不可控和搜索 API 成本高昂两大挑战。为此，通义实验室和北大提出 ZeroSearch 框架，无需真实搜索即可激活 LLM 检索能力，显著降低成本。

Aether AI与加州大学圣地亚哥分校研究发现现有世界模型会无视动作控制信号，根源是隐动作模型受视觉混杂因素污染。团队提出CD - LAM，从上游净化隐动作表征，实验显示其能降动作误差、提画面质量，降低后训练开销。

谷歌首席AI科学家Jeff Dean在访谈中预言，未来开发者人均管理50个智能体，写需求成核心技能。他还揭秘谷歌帕累托前沿策略，介绍蒸馏技术让小模型接近大模型性能，强调多模态及低延迟价值，给出未来模型发展预测。

OpenClaw 2026.3.1正式发布，合并九十多个PR。其Star飙升至25.2万颗，超Meta的React登顶GitHub。更新核心卖点有二：模型武装升级，安卓节点玩法扩容；对国内使用更友好，可在飞书文档操作，Web UI支持双语。

Roto定位是全球首个互动开放世界视频平台。创始人David Xu曾就职独角兽企业，涉足多模态生成。团队经多次方向调整，决定大胆探索极致创新。目前产品技术不成熟，但已探索新内容形式，还将在广告实现商业闭环。

本文是GAIR Live 023圆桌对话实录，浙江大学彭思达与具身多模态算法专家郝孝帅探讨具身导航。涉及本质、范式、挑战、交互等方面，还对未来5 - 10年发展做了展望。

2月4日上海人工智能实验室开源万亿参数科学多模态大模型Intern - S1 - Pro，为AI4S迈向2.0提供开源基座。其核心科学能力跃升，底层架构创新，科学与通用能力协同发展，还构建了‘算力 - 算法’一体化基座，推动科研范式革命。

本文记录了LightX2V中Ulysses Attention的实现方式与张量形状推导。在多模态/视频场景，其实现可概括为一种layout变换，还提供`enable_head_parallel`和`use_fp8_comm`选项，效果受运行环境等因素影响。

2026年，备受AI智能体欢迎的Tailwind CSS框架团队却陷入困境，创始人Adam Wathan透露已裁掉75%成员。因AI写代码，人类不访问文档，付费产品无人买单，流量降40%、收入损失80%。虽有公司赞助，但仍需探索新商业模式。

月之暗面团队海外AMA透露Kimi K3相关信息。K3或采用KDA架构，有低成本优势；通过开源解决信任问题；将推出不同规格模型；产品打磨注重写作、视觉能力及NSFW内容探索。Kimi性价比模式或改写行业规则。