「影像识别」共找到 273 篇相关文章
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。
北大王选所彭宇新团队：让多模态大模型学会「看懂物种关系」丨CVPR 2026
北大王选所彭宇新团队在论文中提出TARA方法，引入生物分类学知识与多模态模型中间表征对齐。实验显示，TARA能提升模型层级识别和未知类别识别能力，还可加速训练收敛，计算开销小。
AI胡说八道这事，终于有人管了？
AI大模型幻觉问题棘手，GPT - 5幻觉率降低。苏黎世联邦理工学院和MATS研究提出低成本、可扩展检测法，精准识别实体级幻觉，分类器超现有基准，还能识别逻辑错误，团队已公开数据集。
1B参数，0.21秒识别，0.3%错字率：混元OCR拿下7项SOTA
腾讯开源模型 HunyuanOCR 在权威榜单 OmniDocBench 上霸榜，虽仅 1B 参数，却在 7 项任务击败众多大模型。它解决传统 OCR 流水线及通用大模型痛点，通过独特架构和训练方法实现高效准确识别。
DeepSeek识图模式全量上线，却认不出自家老板梁文锋
端午节前，DeepSeek全量推送识图模式。测试发现，它能认出黄仁勋，但忽略‘豆汁’字样，识别人物和潦草汉字准确率低，不过识别文物能力不错。还比较了与其他模型在乐理推理测试中的表现，开发者有新疑问待解答。
阿里重磅开源 0.5B TTS + 0.8B ASR，支持跨语种音色克隆、说唱识别！
2025 年 AI 圈风向变了，开始卷端侧模型。阿里 FunAudioLLM 团队发布 Fun - CosyVoice3 0.5B 和 Fun - ASR - Nano 0.8B，TTS、ASR 双线程开源，是工程级版本，目标是在本地跑顺‘听 + 说’。
豆包 Seed 2.0 Lite升级：给 Agent 装上眼睛和耳朵
近期模型发布竞争激烈，作者做视频字幕常遇识别错误，因语音识别工具缺上下文。字节方舟的豆包 Seed 2.0 Lite 升级后能听，还可结合上下文准确输出字幕，成本降 20%，也能理解视频，为工作流补全感知。
让AI读懂「言外之意」：AI4SG团队发布首个心理健康污名语料库，破解隐性偏见识别难题
心理健康患者常面临社会偏见，且这种污名化隐蔽难识别。新加坡国立大学AI4SG团队联合多学科专家，构建首个心理健康污名访谈语料库MHStigmaInterview，获ACL 2025认可，为解决该社会问题提供技术支持。
连马桶都会看图说话了，巨头敢卖，你敢坐么？
老牌卫浴巨头科勒发布马桶相机Dekoda，599美元，拍照识别屎尿分析健康，还能区分用户。此外，Throne等公司也有相关产品。这些产品定位健康管理，不过面临信任、算法准确性等挑战。
OCR 赛道变天了：Datalab 要亲手杀死自己
Datalab推出Chandra模型，指出老一代pipeline OCR已到天花板。它从“切块识别”转向“整页理解”，在布局感知、数学支持、表格表单处理上表现出色，标志OCR从“识别字符”进入“理解文档”阶段。