「多模态架构」共找到 2586 篇相关文章
字节开源多模态复杂文档解析模型！Dolphin：页面与元素并行解析，精准解析复杂文档！
多模态AI与文档解析兴起，传统OCR解析复杂文档常出错。字节跳动开源多模态模型Dolphin，通过两阶段机制精准解析，有多种功能，安装使用友好，适用于多场景，降低了复杂文档解析门槛。
全日程公布｜谷歌Veo 3惊艳发布后，这场CVPR分享会值得每个AI人「听个声」
谷歌在 I/O 2025 大会发布 AI 视频生成模型 Veo 3，实现音画同步。为让从业者了解 AI 新成果与趋势，机器之心 6 月 8 日将举办「CVPR 2025 论文分享会」，公布全日程、嘉宾及主题，还会直播。
谷歌·搜索：献给AI的第一个「祭品」？
谷歌正用AI重塑搜索，AI Overviews和AI Mode改变传统架构，从信息入口变终点，侵蚀开放网站流量。虽在AI创新有进步，但搜索广告垄断及商业模式岌岌可危，2026年或不复往昔。
两岁的Llama，最初的14位作者已跑了11个！Mistral成最大赢家
Meta 开源 Llama 模型改变大模型格局，但短短两年，14 位初创作者 11 人离职。Mistral 受益最大，由两位核心架构师创立，其模型与 Meta 竞争。Meta 面临留才挑战，领先优势消退。
ICML 2025 Spotlight｜南洋理工陶大程教授团队等提出基于RAG的高分辨率图像感知框架，准确率提高20%
南洋理工陶大程教授团队等合作，为解决多模态大语言模型处理高分辨率图像问题，探索 RAG 应用可行性，提出 Retrieval-Augmented Perception (RAP) 框架，在多任务上提升性能，已被 ICML 2025 接收。
爆冷！字节Seed 在CCPC 决赛只做出一道签到题，而DeepSeek R1 直接挂零？
第十届 CCPC 举行，字节 Seed 携 Seed - Thinking 参赛，仅做出一题，DeepSeek R1 挂零。不同模型架构在比赛中差异不大，暴露出大模型做算法题短板，推理模式模型表现更好。
你觉得 Kimi K3 又慢又贵是吧，我来告诉你为什么
作者用 Kimi K3 为墨问的 CatReader 增加发现页，实操中它多数时候快且抗用，不过周五晚变慢，收尾工作交给了 GLM 5.2。对用户觉得 K3 又慢又贵的问题进行分析，还区分了 Kimi App 和 Kimi Code 使用场景。
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。
OpenCode AI编程实践：利用推理路由低成本开发游戏
文章介绍用 OpenCode 结合 DigitalOcean 推理路由器开发点球大战游戏 PK Shootout。其按任务选模型，多数任务路由到 MiMo V2.5 和 GLM - 5.2，成本约 8.25 美元，远低于只用前沿模型。文中还分析开发各环节及适用场景。
世界模型炒作了半年，反应速度还不如 VLA？穆尧团队和百度智能云给出最新解法
生成式世界模型用于机器人控制备受争议，因其推理延迟高。上海交通大学 ScaleLab 团队等联合发布 AHA - WAM，解决推理延迟和时空分辨率错配问题，在任务成功率和推理速度上领先，还需系统协同推进落地。