「业务场景」共找到 2367 篇相关文章
字节开源多模态复杂文档解析模型！Dolphin：页面与元素并行解析，精准解析复杂文档！
多模态AI与文档解析兴起，传统OCR解析复杂文档常出错。字节跳动开源多模态模型Dolphin，通过两阶段机制精准解析，有多种功能，安装使用友好，适用于多场景，降低了复杂文档解析门槛。
业界对 Agent 的最大误解：它能解决所有问题
业界认为AI Agent规模应用“拐点时刻”已至，但IBM强调不必过度“神化”AI。其推出watsonx Orchestrate，还指出企业应用AI要解决数据、自动化等问题，本质是业务重构，非炫技。
RoboScience 机器科学发布轮式仿人形通用机器人 REX G1，让机器人真正成为新一代具身生产力伙伴
8月17日，RoboScience机器科学发布轮式仿人形通用操作机器人REX G1，定位“新一代具身智能生产力伙伴”。它搭载自研VLOA架构通用具身大模型Visics，适用于多场景，推动机器人承接完整任务。
刚开源的口袋级TTS，CPU 即可多语言本地畅用，爽！
传统TTS模型对个人开发者和边缘设备不友好，最近Github上开源的Pocket - TTS仅100M参数，能在普通CPU上超实时语音合成，支持语音克隆，安装简单，适合多种本地语音开发场景。
Pixeltable：一张表搞定AI流水线
Pixeltable是统一声明式框架，能处理多模态AI流水线。它用表格接口替代传统复杂架构，有数据统一管理等核心能力，适用于多模态RAG等场景，内置支持主流AI服务，值得多模态AI项目一试。
开源屏幕感知AI助手，快捷键即调，随时看懂屏幕上的一切！
日常Windows桌面工作调用AI助手常打断专注流。GitHub新开源工具Everywhere，能自动感知屏幕内容，快捷键即调，支持多模型，有网络搜索和Markdown渲染功能，多种场景适用。
NeurIPS Spotlight｜运动遮挡都不怕，0先验、一段视频精准预测相机参数
论文一作李放等为解决传统方法在动态场景预测相机参数的难题，提出 ROS - Cam 方法，涵盖补丁式跟踪滤波器、异常值感知联合优化、双阶段训练策略，代码即将开源。
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。
独家｜前DeepMap 创始人吴夏青离职英伟达创业，瞄准机器人数据方向
AI科技评论独家消息，前DeepMap创始人、英伟达业务副总裁吴夏青2025年12月离开英伟达，正考察机器人数据领域创业。他是资深地图人，DeepMap曾被英伟达约30亿美元收购。
打破视觉Token的算力诅咒，RedundancyLens如何为多模态大模型推理减负
多模态大模型的 Decoder - only 架构处理视觉 Token 有计算冗余。合合信息团队提出无需额外训练的动态计算削减方法，在不影响性能前提下降低推理成本，适用于多场景。