「文档图像解析」共找到 944 篇相关文章
360开源高质量图文对齐数据集！收纳1200万张图像+1000万组细粒度负样本，让模型告别“图文不符”
360人工智能研究团队的冷大炜博士团队开源FineHARD高质量图文对齐数据集，包含1200万张图像、4000万个边界框及对应描述、1000万组细粒度难负样本，能提升模型图文对齐能力，还介绍了构建方法、分析及应用前景。
图像界的DeepSeek！12B参数对标GPT-4o，5秒出图，消费级硬件就能玩转编辑生成
Black Forest Labs开源旗舰图像模型FLUX.1 Kontext[dev]，专为图像编辑打造，能在消费级芯片运行。12B参数少、推理快，性能媲美闭源模型。有诸多特点，经优化训练，在KontextBench基准表现优。
vLLM 正式支持 PaddleOCR-VL
11月4日，vLLM项目宣布正式支持PaddleOCR-VL模型。该模型专注文档解析，参数量仅0.9B。合作降低部署门槛，推理效率更高，官方还给出部署指南和配置建议，流程快速完成可作榜样。
OCR 赛道变天了：Datalab 要亲手杀死自己
Datalab推出Chandra模型，指出老一代pipeline OCR已到天花板。它从“切块识别”转向“整页理解”，在布局感知、数学支持、表格表单处理上表现出色，标志OCR从“识别字符”进入“理解文档”阶段。
ICML 2025 Oral！北大和腾讯优图破解AI生成图像检测泛化难题：正交子空间分解
OpenAI推出GPT - 4o图像生成功能，AI生图安全挑战凸显，区分生成与真实图像成难题。北大与腾讯优图研究人员用正交子空间分解解决AI生图检测泛化难题，论文被ICML 2025接收。
nano-banana已登陆AI studio 和 Gemini ？果真是谷歌的gemini-2.5-flash图像预览版。。
作者分享玩AI视频创作的经历，介绍神秘AI图像生成和编辑模型Nano - Banana，它在LMArena平台出现，被猜测与谷歌新一代图像模型相关，功能出色。还体验了谷歌aistudio更新的gemini - 2.5 - flash - image - preview，认为其不如nano - banana。
美团开源LongCat-Image，6B参数挑战80B效果，中英双语理解、图像逼真度及复杂指令编辑新突破
美团开源6B参数图像模型LongCat-Image，在双语文本理解、图像逼真度及复杂指令编辑任务中表现出色。它以轻量化设计超越大模型，还解决中文文本渲染难题，有精确图像编辑能力，且提供全链路开源方案。
阿里自己上场，用Qwen3做起了SmartResume应用
近期，阿里用Qwen3-0.6B+YOLOv10做了智能简历解析系统SmartResume，Code、Model、Paper都已开源。该系统支持多种文档格式，融合OCR与PDF元数据完成文本提取，结合版面检测重建阅读顺序，并通过LLM将内容转换为结构化字段。
结构化扩展拿下Agent工具检索新SOTA，精准找到API｜ICLR'26
宁波东方理工大学沈晓宇团队在ICLR 2026发表论文，指出当前工具检索瓶颈在于工具文档。提出对文档结构化扩展，再训练模型的方案，构建TOOL - REX等组件，实验显示显著提升检索性能。
吴恩达推出 Context Hub，专治 AI 写代码时的「瞎编」问题
吴恩达推出开源工具 Context Hub，解决 AI 写代码时的「API 幻觉」问题。它通过喂最新文档，让 Agent 按需取用，还能做批注。与 MCP 路线工具不同，它按需拉文档，且引入反馈机制更新文档。