「层级视觉识别」共找到 915 篇相关文章
百度Qianfan-VL，发票/图表/合同等PDF识别94.75%刷新纪录！
当前主流视觉 - 语言模型在企业级应用有难点，百度千帆团队提出Qianfan - VL系列多模态大模型，在通用和企业级任务表现出色，基于自研芯片训练，还提供框架与管线降低成本。
具身智能空间视觉死穴，终于被最新顶会彻底解决！
招商局先进技术研究院下属实验室提出新的移动数据范式，以极低成本破解 VLA 的空间泛化瓶颈。研究团队识别出 VLA 模型三种捷径学习模式，提出层次化数据解耦策略，该方案在主流 VLA 模型上验证有效。
Qwen3-ASR的MLX原生实现：让SOTA语音识别跑满苹果芯片
Qwen3 - ASR是强大开源语音识别模型，但官方实现无法充分利用苹果芯片GPU能力。开发者完成MLX重写，让其能在苹果芯片上原生运行，实测性能佳，还有诸多核心功能及安装使用示例。
Mistral 发布 OCR 3，提升了手写及结构化文档识别的准确率
Mistral 发布 OCR 3，在多种文档类型上精度更高，超越前一代产品。能提取文本、识别图像并保留文档结构，输出 Markdown 格式。早期用户认可其性能和多语言支持，生产部署扩展快，价格有优势。
用多模态LLM超越YOLOv3！强化学习突破多模态感知极限｜开源
华中科技大学、北京邮电大学等多所高校研究团队共同推出纯多模态开源LLM——Perception-R1，该模型用强化学习优化视觉感知，目前论文和代码均已开源，其在视觉任务上表现出色，为后续研究提供强大baseline。
无需训练！让VLM同时具备「视觉」与「推理」能力，数学题得分暴涨30%
当前视觉语言模型（VLM）像‘视力好但数学差的学生’，论文指出问题根源是数据不足和能力分布不均。提出‘模型合并’方案，实验显示在数学基准测试中表现亮眼，还通过实验揭示层间能力分布。
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。
VQA高分是在看图，还是在记答案？ReKey只更新决定答案的那一小块
视觉问答模型准确率提升，但高分可能源于记忆。浙江大学等团队提出 ReKey，保留真实场景，只更新决定答案的视觉线索，使评测面向未见过内容，且多数环节可自动完成。
Meta出走华人创业团队，种子轮800万美元，要打造视觉AI记忆大脑
由前Meta顶尖科学家创立的Memories.ai获800万美元种子轮融资。其大视觉记忆模型LVMM解决AI‘记忆缺失’问题，在多领域刷新SOTA基准，应用潜力大，还开放API及网页应用。
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。