「LLaVA - OneVision - 1.5」共找到 3226 篇相关文章
太牛了~~复杂表格Cell合并、跨页拼接，中文领域96%，甩MonkeyOCR 20%
在PDF文档解析领域，复杂表格解析是难题。今天分享的OCRFlux是基于qwen2.5vl - 3B模型微调的解决方案，有单页解析和跨页段落/表格合并等创新点，测试得分超96%，远超MonkeyOCR等。
揭秘千卡 GPU 集群如何高效训练多模态大模型：vivo AI 团队实战经验分享｜AICon
在 InfoQ 举办的 AICon 大会上，vivo AI 架构师王兆雄分享多模态大模型训练经验。介绍了 LLaVA 和 DiT 模型训练挑战，从数据处理、模型计算等方面提出优化策略，还展望 AI Infra 未来发展方向。
实测updream预演台：一张图，换来一整个3D片场！
作者实测updream预演台，它可传图自动重建3D白模场景，可摆人物、调机位等，再配合Seedance 2.5渲染成片。作者还做了对照实验，证明白模能锁定拍摄意图，并给出使用建议。
Supabase：百亿美元估值，vibe coding 的默认后端？
Supabase 以 Postgres 为核心，提供一站式后端服务，接近完成 5 亿美元 F 轮融资，估值 100 亿美元。它处于 Postgres 生态和 AI coding 趋势交叉点，产品路线图向 agent 倾斜，面临竞争、UE 等挑战。
IMO/IOI奖牌得主18000人追踪：1500倍概率成亿万富翁
知名X博主Deedy挖出18000名IMO、IOI、IPhO奖牌得主职业去向。这群人成亿万富翁概率是普通人1500倍，成独角兽创始人概率是4000倍。分析了他们大学选择、职业方向，也探讨了中国选手去向。
年度最强AI压轴！谷歌Gemini 3.0下周决战OpenAI，前端要下岗了
谷歌CEO疑似暗示Gemini 3.0下周登场，它或成谷歌重大转折点。其在代码编写、图片生成等方面表现出色，还能一句话生成OS、UI网页。谷歌与OpenAI竞争激烈，巴菲特重仓谷歌股票，业界看好其潜力。
最强开源0.9B级OCR模型！本地Agent、知识库都有救了！
百度飞桨PaddleOCR团队开源多模态文档解析模型PaddleOCR-VL，参数量仅0.9B，对算力要求低。它在OmniDocBench V1.5榜单屠榜，经测试，能精准识别发票、图表等，适合本地环境与资源受限设备。
开源版Genie 3世界模型来了：实时+长时间交互，单卡可跑，国内公司出品
本月初 Google DeepMind 发布 Genie 3 引发关注，没过两周昆仑万维就推出开源交互世界模型 Matrix - Game 2.0，参数量 1.8B，单卡可跑，能实现实时长序列、交互式生成，经测试潜力大。
赌自己会失业！田渊栋八人天团狂揽44亿元，杀入「递归进化」赛道
Recursive Superintelligence由八位顶尖AI研究员创立，获GV、英伟达等投资6.5亿美元。他们要让AI自我训练，实现递归自我进化，若成功或使AI研究员岗位消失。此前已有相关成果，产品端Anthropic也在推进AI主动性。
9B 模型“平替”GPT-4o ？！面壁赌对OpenClaw端侧AI，内部上演一人月产65万行代码的效率核爆
2023年面壁智能转攻端侧大模型，起初遭质疑，后获市场认可。今年发布开源全模态模型MiniCPM - o 4.5，年中还将推AI硬件松果派。其内部有“一人公司”趋势，对未来端侧智能发展有清晰判断。