「文档图像解析」共找到 944 篇相关文章
Kimi K2技术报告正式发布：“保姆级”深度解析，一文读懂万亿参数智能体的所有秘密
Kimi K2技术报告发布，Moonshot团队用万亿+参数稀疏MoE架构等打造接近Claude - Opus的通用大模型。围绕训练稳定性等改进，有预训练、架构设计等多方面创新，为智能体领域提供可行路径。
让大模型基于「图像事实」说话：用事实文本+自适应编辑，让语言偏见无处遁形丨ICLR'26
多模态大模型看图常“脑补”，存在对象幻觉问题。北航团队提出AFTER框架，含FAS和QAO模块，能在主流LVLM和基准上显著降低幻觉，且推理开销低，为多模态助手落地提供实用路径。
从视觉出发统一多模态！颜水成团队最新研究：不再把图像编解码器塞进LLM｜ICLR'2026
NVIDIA研究员Jim Fan称AI正经历第二次预训练范式转移。颜水成团队Muddit模型从视觉先验出发，用离散扩散框架统一文生图、图生文和VQA，挑战多模态“语言中心论”，在多任务表现出色。
CSDN 创始人蒋涛：中国开源十年突围路、模型大战阿里反超 Meta，数据解析全球开源 AI 新进展
在GOSIM HANGZHOU 2025现场，CSDN创始人蒋涛发布两份报告。《2025全球开源发展报告（预览版）》显示美主导、中国崛起；《大模型技术体系开源影响力榜单》中，Meta、阿里等表现突出，强调大模型竞争关键在生态。
4D空间智能：AI如何一步步「看懂」时空结构？一篇综述解析通往四维世界的五大层次
4D空间智能重建整合静态场景与时空变化，构建含时间维度的空间表征系统。南洋理工等高校研究者调研该领域，提出按建构深度分五层的新视角，展现AI认知从基础到高阶的进化路径。
深度视角 | 物理法则如何“纠偏”AI黑盒？首篇社会物理学引导的深度学习（SGDL）综述深度解析
近日，清华等多机构发布全球首篇SGDL系统性综述。文章介绍SGDL诞生背景、核心架构、应用场景，探讨其与大模型结合潜力，也指出面临的挑战，认为其是思维范式跃迁，正构建智能社会蓝图。
3D指标超过Nano Banana Pro！浙大开源方案让AI在平面图像里进行立体编辑 | ACM MM'26
当前图像编辑模型处理三维状态常出错。浙江大学ReLER团队提出并开源PhyEdit，用显式3D几何preview指导图像编辑，还加入深度监督，构建数据集和评测基准，成绩超Nano Banana Pro，且GUI也开源。
谷歌年度大招：所有AI模型全升级一遍！Gemini2.5大杯中杯霸榜前二，新版视频/图像模型亮相
谷歌在I/O大会放大招，升级所有AI模型，重做原有产品，推出诸多实验性新产品。如Gemini 2.5系列升级，具备新功能；还有异步代码助手Jules、新搜索模式等，多模态模型也全线升级。
sglang 源码学习笔记（二）- backend & forward 过程
本文深入解析sglang forward核心实现全流程，介绍了forward传递过程、AttentionBackend数据结构，以flashinfer为例展开分析，还说明了cudaGraphRunner初始化、Capture、Replay过程，助读者理解代码。
演讲生成黑科技，PresentAgent从文本到演讲视频
联合团队提出 PresentAgent，能将长篇文档转化为带解说演示视频。采用模块化流程，还引入 PresentEval 评估框架。实验显示其接近人类表现，优于现有方案，展现了多模态智能体潜力。