「多模态长文档视觉问答」共找到 1659 篇相关文章
李飞飞发布：全球首个多模态世界模型
李飞飞团队的World Labs发布全球首个多模态世界模型Atlas，是多模态自回归扩散Transformer，能相机控制生成、3D重建等，已向部分伙伴开放早期访问，未来将成底层模型。
性能提升400%！AutoResearchClaw自主设计多模态记忆大脑
AI助手积累海量多模态数据，记忆和提取成瓶颈。北卡罗来纳大学等团队用AutoResearchClaw让AI 72小时完成多模态记忆系统设计，性能提升超400%，新系统OMNIMEM全面碾压现有主流系统。
走出屏幕，多模态智能硬件如何承载最新的 AI？
多模态模型推动人工智能向现实渗透，多模态智能硬件形态更多样。不同阵营玩家在这一热门赛道竞争，AI手机、机器人、智能眼镜等受关注，近半年还有新型精细形态智能硬件涌现。
The Batch: 931 | 统一视觉媒体的单一分词器
Apple团队开发多维分词器AToken，可将图像、视频、3D对象映射到共享token空间，统一处理视觉媒体。它由预训练编码器和解码器组成，经多阶段训练，在多任务上达或接近先进水平，为视觉模型带来通用性。
Google封神，计算机视觉的GPT3时刻来了！
Google Deepmind称在CV领域做出类似GPT-3的成果，Veo 3经大规模训练涌现通用视觉理解和推理能力，能以图片+提示词完成复杂视觉任务，还具备感知、建模等四大超能力。
从多模态大模型中「拆」出音频向量模型
Google 发布原生多模态向量模型 Gemini Embedding 2，推动 Omni Embedding 发展。Jina AI 团队分享从多模态大模型中「拆」出音频向量模型的经验，介绍架构、训练数据，对比四种做法，还提及评测、应用场景及结论。
字节跳动2步突破，复杂文档布局解析，为啥如此惊艳？
文章指出现有文档图像解析方案有局限，介绍字节跳动的Dolphin解决方案。它采用分析 - 解析范式分两阶段解析文档，避免传统方法弊端，运行效率高，还给出训练方案、实战代码和试用链接。
250份文档“毒晕”大模型！无论规模大小统统中招
Claude母公司Anthropic联合两大机构研究发现，仅250份恶意文档就能在不同规模大模型植入“后门”漏洞，打破以往对大模型数据中毒的认知，给厂商防御敲响警钟。
巧妙！一个传统技术让国产视觉基础模型直接上大分
格灵深瞳的Glint - MVT视觉基础模型表现出色，线性探测准确率高于CLIP等，下游任务效果佳。其引入间隔Softmax损失函数，结合虚拟类别构造等优化方案提升性能，团队专注视觉研发，务实开放。
重磅！DeepSeek再开源：视觉即压缩，100个token干翻7000个
DeepSeek-OCR模型探索视觉-文本压缩边界，用少量视觉token解码出10倍以上文本信息。它在OmniDocBench基准上表现超GOT-OCR2.0，为LLM长上下文问题提供方案，还能处理多类图像与近100种语言。