「多模态文本智能」共找到 4483 篇相关文章
2025，大模型文档解析（OCR）年终盘点
2025年6月以来文档解析方法快速增长，有10余种。按“技术路线 + 工程形态”可归为4大类：传统级联流水线、轻量多模态两段式、通用多模态大模型一段式、轻量多模态一段式，各有优劣，4条路线覆盖所有OCR落地场景。
LeCun离职前的吐槽太猛了
年底将离开Meta的LeCun在播客直言，不看好大语言模型通往AGI，也吐槽Meta封闭。他将创办开源公司AMI研究世界模型，认为其与LLM本质不同，还回顾AI学习史引出JEPA架构。
黄仁勋暴论核弹：AGI已经实现，Ilya错了，程序员有10亿
在Lex Fridman的专访中，黄仁勋抛出诸多惊人观点，如称已实现AGI，反驳Ilya“预训练触顶”言论，认为推理计算难且重要，还对未来技术、行业、职业发展等多方面进行展望。
1.7K Star 新晋神器！一款轻量、开箱即用的终端日志神器，AI 助力、实时可视化，效率飞升！
现在系统日志信息量大、噪声多，传统工具定位问题既慢又麻烦。而开源工具Gonzo基于Go语言开发，有实时日志流处理、交互式仪表盘等功能，安装简单，打破传统工具局限，节省时间。
五源袁野：理解AI创业的五个视角 ｜5Y View
文章是五源合伙人袁野在五源2025创始人年会演讲，从五视角审视AI时代创业变化，如技术范式切换、供给边界演进等，为理解AI创业带来启发，强调创新要敢于走新路。
开源项目 | 用自然语言做视频剪辑，人人都能用的 AI 视频剪辑工具
FireRed - OpenStoryline是开源AI视频剪辑智能体，理念是‘你说话，它剪片’。工作流程为‘理解→执行→输出’。具备智能素材搜索、文案生成等多项能力，适用于多场景，介绍了安装方式、优缺点。
Nano Banana Pro最全解析，设计师和开发者都用得上，附官方提示指南
Nano Banana Pro基于Gemini 3 Pro构建，将逻辑推理能力注入像素生成，解决画面准确性、逻辑性问题。它在多方面实现飞跃，应用广泛，谷歌还给出提示词使用技巧，但在部分处理上仍有提升空间。
只用图像也能思考，强化学习造就推理模型新范式！复杂场景规划能力Max
现有 MLLM 依赖文本处理视觉信息，会造成信息丢失。剑桥、伦敦大学学院、谷歌团队提出视觉规划范式，以强化学习框架 VPRL 提升模型规划能力，实验显示其性能优于文本规划。
GitNexus 开源代码库知识图谱引擎，效果惊艳!
GitNexus 是在浏览器运行的客户端代码智能工具，能将代码库转化为知识图谱，内置 RAG 智能代理。有 CLI + MCP 和 Web UI 两种使用方式，支持多种主流语言，还提供详细文档。
谷歌Nano Banana全网刷屏，起底背后团队
谷歌开发者节目展示了Gemini 2.5 Flash Image模型，它能快速生成高质量图像、保持场景一致。文中起底背后团队成员，还介绍模型技术亮点、与Imagen对比及未来能力展望。