搜索：文档视觉编码器

「文档视觉编码器」共找到 1290 篇相关文章

编码封神，Gemini 2.5 Pro (I/O 版)视频秒转 App！网友：比 o3/Claude 强，Vibe 程序员集结！

谷歌 I/O 大会前，Gemini 2.5 Pro 预览版升级，重点在编码。它搞前端、做 UI 出色，能将视频变互动学习 App，推理速度提升。对标 GPT - 4.1 等，性价比高、表现优，获开发者好评。

在自动驾驶等领域，长序列3D重建落地难，存在精度退化等问题。即将到来的CVPR 2026中，LongStream模型开源，它重新设计，解决了长序列难题，在多基准测试表现强，推动3D视觉走向在线建模。

本文来自复旦大学和阿里巴巴未来生活实验室，已中稿 ICLR 2026。目前视觉推理方法有纯文本和用图思考两种模式，各有优劣。研究者提出 Mixture-of-Visual-Thoughts 范式及 AdaVaR 框架、AdaGRPO 算法，让模型自适应选模式，实验显示其在多任务有提升。

国防科大、深圳大学、武汉大学团队提出物理驱动的世界模型PIN - WM，能从视觉观测辨识刚体物理属性。还提出PADC提升迁移性能，经实验验证其在非抓握式操作技能Sim2Real迁移中表现出色。

2025年6月以来多模态文档解析成前沿课题。MonkeyOCR v1.5是全新框架，在OmniDocBench v1.5等基准上全面突破，复杂表格等场景提升9.7%，采用两阶段解析管道和复杂表格处理方案。

牛津VGG、港大、上交大团队论文提出ELIP方法，用学术界资源增强视觉语言大模型预训练，用于文字 - 图片检索。该论文被大会接受并获最佳论文提名。ELIP可应用于多个大模型，实验显示能显著提升图片检索表现。

近日，Replit 员工报告 Lovable 未修复关键安全漏洞，扫描发现其百款应用高危，普通开发者一小时内可黑入。Lovable 虽推出‘安全扫描’功能，但仍未解决底层问题，引发对氛围编码安全责任的讨论。

xAI 推出编码助手模型 Grok Code Fast 1，采用新架构，有强大全栈开发能力。价格低，在性能与成本间取得平衡。用户评价不一，它在日常开发场景性价比高，与其他竞品各有优势。

10月16日，AI代码助手Augment Code更新定价模式，按AI使用量计费，用户称成本涨超10倍。CEO称原模式不可持续，举例有用户带来高额成本。行业内多家公司也调整定价，反映AI编码助手成本和定价难题。

OpenAI的Ryan Lopopolo分享Frontier团队工作方式，他们维护超百万行代码库，零人工编码和审核。实验产出Symphony，推动coding agent成“队友”。还探讨模型使用、构建速度、人类角色等问题，认为人成瓶颈，软件要适配模型。