「视频OCR」共找到 1081 篇相关文章
0.07B大败QwenVL72B！百度开源OCR3.0"三件套"
OCR 历经四次范式迁移，工业落地存在精度与参数量等矛盾。百度开源 PaddleOCR 3.0“三件套”，含 PP - OCRv5、PP - StructureV3、PP - ChatOCRv4，各有创新点，解决了多语种识别、版面还原等问题。
DeepSeek 硬核开源 DeepSeek-OCR-2！弃用 CLIP 改用 Qwen，创新视觉因果流！
昨天开源社区热闹非凡，Kimi 发布 K2.5，DeepSeek 则推出 DeepSeek - OCR - 2，用 LLM 架构替换传统 CLIP 视觉编码器。它核心创新是视觉因果流，能智能规划阅读路径，性能高效且全量开源。
不是视频模型“学习”慢，而是LLM走捷径｜18万引大牛Sergey Levine
UC伯克利大学副教授Sergey Levine提出，为何语言模型从预测下一词中学到很多，视频模型从预测下一帧却学得少。他指出LLM可“抄近路”模仿人类推理，像在“柏拉图洞穴”中，还探讨了AI走出困境的方法。
732M模型超越7B！机器人操控新范式：从视频中「悟」物理
机器人操控有「数据困境」，传统方法需大量人工标注动作演示数据。中山大学王广润教授团队从视频生成模型「借」物理直觉，提出PAR和PhysGen，与英伟达DreamDojo核心思路一致，验证了新的技术路线。
2.8K Star！开源免费的离线OCR工具，识别准确率媲美大厂。
在文档数字化和自动化工作流中，离线OCR工具受青睐。GitHub上的TrWebOCR开源、离线，中文识别率高，媲美大厂。它亮点多，有快速上手指南和接口调用示例，适用场景广，但两年未更新。
小红书RecSys 2025最佳论文提名背后：破解视频时长预测难题
小红书推荐算法团队论文《Multi-Granularity Distribution Modeling for Video Watch Time Prediction via Exponential-Gaussian Mixture Network》在 RecSys 2025 获最佳论文提名。该文剖析视频时长预测难题，提出 EGMN 模型，线下线上验证效果佳。
创智刘鹏飞、Sand.ai曹越，两大AI青年学者团队联手，开源音视频基座模型
开源多模态生成领域获架构级底层突破。上海创智学院与 Sand.ai 联合研发的 daVinci - MagiHuman 正式开源，打破开源界音视频联合同步生成三重局限。它采用单流 Transformer 架构，能力强、推理效率高。
AI狂造人类失踪案，百万网友疯狂上头！爆款视频脑洞太离谱，原地笑疯
最近，网上爆火各种AI炮制的“人类失踪”视频，播放量极高，网友看得上头。这些故事虽假，但悬念迭起引人入胜，不过也引发对虚假内容泛滥、真假难辨的担忧。
首个实时端侧部署世界模型，20万小时人类视频，BeingBeyond实现「两级跃迁」
4月14日，BeingBeyond发布具身世界模型Being - H0.7，将人类视频规模扩至20万小时，采用隐式推理范式，6项权威评测综合第一。还率先实现端侧实时部署，打通数据闭环，推动模型通用与专家能力跃迁。
让AI生成视频「又长又快」：Rolling Forcing实现分钟级实时生成
南洋理工大学与腾讯ARC实验室联合研究，由博士生刘坤昊等完成，提出Rolling Forcing方法，通过滚动窗口联合降噪等创新设计，突破实时长视频生成瓶颈，实现分钟级实时生成，还支持交互控制，但仍有优化方向。