「视觉大模型」共找到 9344 篇相关文章
打破幻觉！Qwen最新OCR让印章、表格、公式识别准确率飙升45%
基于推理增强框架的视觉语言模型处理OCR任务有成果，但存在生成幻觉问题，特定领域不如专家模型。DianJin - OCR - R1通过推理与工具交互，按‘思考 - 调用工具 - 重新思考’流程提升OCR性能，减少幻觉。
「神经软件」正在到来，人类代码将失去意义！
Lambda Labs CEO Stephen Balaban 在英伟达 GTC 2025 提出神经软件概念，指不再写代码，让大语言模型成软件。它没传统软件的 bug 问题，未来计算机或端到端神经化，虽有争议，但变革在加速。
苹果新论文发出惊人一问：What do your logits know?
苹果AI研究团队提交论文《你的logits知道些什么？（答案可能会让你惊讶！）》，触及大模型底层逻辑及苹果看重的用户隐私与数据安全。研究通过实验揭示模型信息留存状态，指出存在隐私泄露隐患。
有手就行，教你从0到1快速手搓搭建个GUI Agent
随着通用大模型发展，搭建GUI Agent难度降低。文章介绍如何用通用大模型API，从0到1搭建PC GUI Agent，包括原理、代码实现等，该Agent能跨应用操作，未来可强化功能。
来自MIT最强AI实验室：OpenAI天才华人研究员博士毕业了！
OpenAI华人研究科学家陈博远完成MIT博士论文答辩。他不到4年读完博士，辅修哲学，是GPT图像生成核心成员和Sora视频团队成员，将推进世界模型技术，强调视觉世界模型对具身智能至关重要。
谷歌开源高效文本提取 Python 库LangExtract
谷歌开源 Python 库 LangExtract，能用大语言模型从非结构化文本提取结构化信息。它定位精确、输出可靠，支持多模型，适应多领域，还能处理长文档，通过示例介绍了使用方法。
Github 7万星的Clawdbot实测：用国产模型做心脏，躺在床上指挥电脑干活。
本文实测了Github 7万星的Clawdbot（现叫Moltbot），介绍其能在本地运行，可多平台交互，有持久记忆、能控制浏览器等特点，还说明了安装配置过程，指出它虽有不足但想象空间大。
企业软件底层逻辑脱胎换骨：从席位订阅到决策订阅，下一个万亿公司属于这类玩家
大模型落地进入深水区，企业级软件底层逻辑发生“脱胎换骨”变化。以特赞提出的GEA架构为例，企业软件竞争从模型能力转向认知结构，价值结构、引力中心等都在改变，软件订阅也从席位转向决策。
DeepSeek之后，中国AI「自己出题」杀进Nature通讯！全球仅4家
一家成立不到两年的香港AI公司维纳智能，不堆参数、不依赖人工标注，靠让大模型自动生成高精度推理数据登上Nature通讯。其技术可解决Agent泛滥的困局，还推出特色产品，业务增长快。
世界模型太慢？西交大提出Fast LeWorldModel：用「动作前缀并行预测」让动态估计加速4倍
视觉规划里世界模型‘想象’过程慢，西安交通大学研究团队提出Fast LeWorldModel，从根本改变预测方式，实验显示其提升了成功率，还大幅缩短规划时间。