搜索：多模态指令数据合成

「多模态指令数据合成」共找到 3405 篇相关文章

被DeepSeek带火的OCR，最新8个开源模型盘点~

DeepSeek-OCR发布让OCR大热，PaperAgent梳理盘点8个热门开源OCR模型，如DeepSeek-OCR用‘上下文光学压缩’技术，Nanonets-OCR2-3B以零样本视觉链式思维为核心等。

DeepSeek开源3B参数的新OCR模型，重新思考AI处理长文本方式，用视觉token压缩文本信息。核心组件有DeepEncoder和DeepSeek3B - MoE解码器，实验效果好，成本降低，还解决了一些算法和工程问题。

芯片制造良率控制难题待解，传统方法各有局限。英伟达推出NV - Tesseract模型家族和NIM推理微服务，二者结合用于半导体晶圆厂生产，可实时发现问题、预测故障，降低成本，为制造打开新大门。

2013 年 GeoGuessr 地理猜测游戏走红，衍生出「图寻」玩法。2024 年 AI 让“猜地点”能力大增。今年滴滴悄悄上线 AI 图寻产品「在哪儿问问」，具实用工具属性，但 AI 识图在冷门场景表现欠佳。

OpenAI联合哈佛大学经济学家发表论文《How People Use ChatGPT》，基于内部对话数据，分析ChatGPT从2022年11月上线到2025年7月的使用情况。截至7月，周活超7亿，每周发消息180亿条。

Anthropic发布首份美国AI经济指数报告，发现人们将完整任务交给Claude比例大幅上升，各地AI使用受经济结构影响，GDP高的国家和地区使用率更高，且自动化使用占比上升。

AlterEgo是一种非侵入式、可穿戴的外围神经接口，能让人用自然语言与机器等交流，无需发声。它始于2018年MIT媒体实验室，2025年初独立运营，可用于帮助语言障碍者，还能融入日常生活。

苹果在Hugging Face放出FastVLM与MobileCLIP2两条多模态主线。前者主打「快」，首字延迟压到竞品1/85；后者突出「轻」，体积减半。模型和Demo已开放，开发者可集成开发。

今天凌晨2点，OpenAI宣布收购全球顶级产品开发数据分析平台Statsig，其创始人将加入并任应用部门CTO。Statsig功能强大，能高效处理事件。彭博称收购价达11亿美元。

Nanobrowser是开源Chrome扩展工具，专注AI驱动的网页自动化。免费且本地运行，保护隐私，支持多主流大模型。有多智能体协同等特点，还介绍了安装配置方法，是高效安全的网页自动化之选。