「视觉感知RAG」共找到 1104 篇相关文章
DeepSeek多模态新范式：一张图压缩7056倍，思考能力反超GPT和Claude
DeepSeek上线多模态并开源新范式技术。该研究让AI用视觉原语思考，弥合语言与视觉指代鸿沟。它构建紧凑模型架构，信息压缩率达7056倍，训练分三阶段，测试中表现出色，也存在局限。
JinaVDR: 一个图文混排文档搜索任务的基准集
现有文档检索基准大多只考虑纯文本，难以处理含图表等视觉信息的文档。JinaVDR 应运而生，它是图文混排文档搜索基准集，含多语言、多领域数据，可评估模型在复杂视觉文档的检索性能。
DeepMind率先提出CoF：视频模型有自己的思维链
DeepMind在Veo 3论文中提出帧链CoF概念，类比语言模型CoT，让视频模型能时空推理。实验显示Veo 3有通用视觉理解能力，能零样本解决视觉任务，未来通用视频模型或取代专用模型。
港科大&北京人形提出LOVON：足式机器人开放世界全域目标追踪新范式！
港科大广州联合北京人形创新中心推出LOVON框架，融合大语言模型、开放词汇视觉检测和语言 - 运动映射模型，解决足式机器人开放世界全域目标追踪难题，有抗干扰视觉处理等优势，性能超传统方法。
AI读网页，这次真不一样了，谷歌Gemini解锁「详解网页」新技能
谷歌在Gemini API上线URL Context功能，能让Gemini模型访问并处理URL内容。与普通扔链接给AI不同，它可深度完整解析文档。有深度解析PDF等能力，被指或成RAG替代方案，也有能力边界。
「看」能否取代「读」，为何DeepSeek-OCR 爆火的重点不在性能？
DeepSeek近期开源的DeepSeek - OCR在AI社区引发热议。它提出‘上下文光学压缩’理念，以视觉方式压缩文本。社区关注重点在其研究思路对NTP范式的影响，有望解决长上下文经济性难题等。
清华联手快手可灵，撞车谢赛宁团队RAE，用SVG再证明VAE已过时
AI图像生成正告别VAE技术。清华与快手可灵联合提出SVG方案绕开VAE，纽约大学谢赛宁团队也提出RAE模型。SVG用自监督特征构建潜空间，在质量、效率和通用性上超传统，证明统一视觉模型可行。
OpenClaw爆火背后，仅8.6%用户能察觉异常！多校联合实证
OpenClaw等AI智能体爆火，其安全隐患凸显。多校联合研究发现，仅8.6%的用户能感知智能体媒介欺骗，总结了6类认知失效模式，认为体验式学习或比静态提醒更能提升用户警觉性。
北京艺术与科技周｜当AI开始写诗、跳舞、作曲，我们如何保住“人味”？
2025年11月28日，北京艺术与科技周“思想殿堂”核心活动展开深度对谈，探讨AI时代如何保留人类感知与表达方式。嘉宾从不同角度出发，认为人类情感、经验与美感难以被AI替代，艺术与科技要找到新平衡。
DeepSeek睁开眼了！Opus-4.8的性能，1000张图不到20美分
DeepSeek首个多模态视觉模型deepseek-v4-flash-vision-exp上线DeepSeek API平台。文本能力与V4-Flash持平，多模态Agent能力逼近Opus-4.8，分析1000张图成本不到20美分，还上线免费Files API。