「文档视觉编码器」共找到 1290 篇相关文章
【GitHub 10.9k star】DeepCode：把论文和需求文档“一键变代码”的多智能体开发神器，真能干掉手写样板？
DeepCode 是香港大学开源的多智能体开发平台，支持将论文、需求文档等转化为生产级代码。它能解决论文复现、原型开发等痛点，有多项特色功能，在性能对比中领先，适用于多类场景。
「一只手有几根手指」，你的GPT-5答对了吗？
CMU博士生Tairan He测试发现GPT - 5答错‘一只手有几根手指’问题，指出语言难满足视觉与机器人领域需求，需VLM和VLA模型。编辑部测试发现顶尖大模型面对常识问题也会‘翻车’，还探讨了应对方法。
GPT-5.4意外泄露！OpenAI最新模型瞄准这2大能力突围
GPT - 5.4疑似泄露，此前在OpenAI编码助手、GitHub代码拉取请求等多处有踪迹。传闻其将搭载200万Tokens上下文窗口，具备像素级精准视觉分析能力，不过也可能是炒作，网友关注其准确率。
用视频存储文本的黑科技！
memvid-rs是memvid的Rust重实现，可将文本文档编码为视频二维码实现存储和检索。它有高性能、用TRUE机器学习等特点，兼容多格式、跨平台，无需安装，适合存档文本语料库等。
DeepSeek开源新模型，提出上下文光学压缩：LLM的新记忆方式
DeepSeek开源OCR模型，探索用多少视觉信息让LLM理解文本。实验表明1000字文档约需100个vision tokens，压缩比10倍、准确率97%。还提出模拟人类遗忘等想法，有多种应用场景，且完全开源。
V-RAE：把「看懂视频」的能力带入生成，重新思考视频模型的潜空间
近日，新加坡国立大学 Minghui Guo 与牛津大学 Shengqiong Wu、Hao Fei 在论文中提出视频表征自编码器 V-RAE。它以冻结的视觉基础模型为编码器压缩视频特征，还引入轻量级模块聚合信息。经实验验证，其在视频生成和预测上性能出色。
阿里新研究：统一了VLA和世界模型
阿里达摩院等提出WorldVLA框架，融合视觉语言动作模型与世界模型。它用三套分词器编码，解决传统自回归模型问题，经联合训练，实验显示其性能优，两模型还能相互助力。
视听分离SOTA提速6倍！清华发布首个6M高性能模型｜ICLR'26
清华大学团队推出Dolphin模型，仅用6M参数，通过离散化视觉编码和热扩散注意力机制，实现单次推理精准分离语音，速度提升6倍以上，在多项基准测试中刷新纪录，为端侧设备部署开辟新路。
Claude Opus 5发布，砍掉了Claude Code 80%的系统提示词
Anthropic发布Claude Opus 5，接近Claude Fable 5智能且价格减半，测评成绩出色，科研和视觉输出能力也有进步。同时发现砍掉Claude Code 80%系统提示词，编码评测分数不变，还总结出上下文工程新方法论。
RAG效果不佳？先别急着微调模型，这几个关键节点才是优化重点
文章深入探讨RAG技术实现与优化，指出其在AI应用开发中常被当黑盒，从文档分块、索引增强、编码、混合检索到重排序等关键环节解析，强调结合场景调优以提升召回与精确率。