「多模态文档处理」共找到 2016 篇相关文章
文本已死，视觉当立！Karpathy狂赞DeepSeek新模型，终结分词器时代
DeepSeek新成果DeepSeek - OCR以像素处理文本，压缩率小于1/10，基准测试领跑，开源一夜获4.4k星。Karpathy力挺，认为应赶走分词器，展望视觉成通用输入前景，马斯克有更科幻猜想。
提效软件研发，AI Agent好用吗？
InfoQ直播邀请多位专家探讨AI4SE，提及前端知识库特点、Agent自学习等。专家认为AI目前多辅助人类，落地要重视“人”因素，还探讨了应用挑战、衡量维度、未来趋势等，QCon上海站将设专题。
超越纯视觉模型！不改VLM标准架构，实现像素级深度预测
Meta开源DepthLM，首证视觉语言模型不改架构就能媲美纯视觉模型的3D理解能力。通过视觉提示等创新策略，它精准完成像素级深度估计等任务，为多领域带来前景。
从Transformer到Agent：生成式AI行业技术路线与职业发展指南，深度解析AI价值链
文章深度解析生成式AI行业，介绍其宏观图景、商业运作、行业定位与战略考量。指出行业价值链呈“杠铃”形态，应用层机会大，还提及盈利模式、岗位薪酬、开源闭源之争等，为从业者提供职业指南。
让YOLO飞起来：从CPU到GPU的配置指南
文章指出默认安装的YOLO用CPU计算，处理大量图像或实时检测任务效率低。详细介绍将YOLO从CPU模式切换到GPU模式的步骤，对比性能，还给出常见问题解决办法，能显著提升运行效率。
读万卷书，大模型就能「看」懂视觉世界？Meta揭秘LLM视觉先验的起源
Meta超级智能实验室与牛津团队新论文发现，只见过文本的大语言模型（LLM）能学到可迁移到视觉任务的先验能力。研究通过超100组受控实验、耗费50万GPU小时，揭开LLM视觉先验来源，还给出预训练数据配方。
Anthropic：怎么才能控制模型的行为，做好Agents?
Anthropic发关于AI Agents博客，围绕如何配置上下文让模型输出期望行为展开。指出上下文是有限资源，有Context Rot现象，介绍了上下文工程概念、构成，还提及即时策略、长时间任务处理方法及实践建议。
Nvidia GPU深度解析
文章深度解析Nvidia的B30A（传闻）、HGX H20、H100、B200和B300（Ultra）五款GPU，从架构、性能、内存、封装工艺和应用场景等方面对比差异，助读者选合适GPU。
OpenAI 推出 gpt-realtime：语音智能体进入“秒回”时代，开发者直呼交互更自然
OpenAI 发布语音对语音模型 gpt - realtime，开放 Realtime API。其结合可端到端处理语音，缩短响应时间。模型语音质量、理解能力、函数调用能力提升，API 全面升级，多家企业已试点，还强化了安全措施。
=COPILOT()函数横空出世！AI自动写公式效率起飞，网友：让Excel再次伟大
微软官宣在Excel引入全新的=COPILOT()函数，用自然语言提需求就能让其干活。它内置在Excel引擎，能与现有函数协作，还可自动刷新结果。网友称这将改变数据分析，让Excel再次伟大。