「长文档抽取」共找到 942 篇相关文章
字节开源高效解析文档图像的新型多模态模型Dolphin，快速将复杂的文档图像转化为结构化数据。
字节开源新型多模态模型Dolphin，采用“先分析后解析”范式，能将复杂文档图像转化为结构化数据。它有卓越性能和多种特性，还提供安装、推理使用指南。
Soul App 又又又开源了！这次是实时交互数字人，支持小时级长视频甚至无限时长！
Soul App 新开源实时数字人项目 SoulX-LiveAct，解决 AR 扩散模型流式生成稳定性问题。它实现 20 FPS 实时流式推理，延迟 0.94 秒，支持无限时长，有恒定显存等亮点，可用于多场景。
从视觉压缩，到视觉记忆：MonkeyOCRv2以重建保留文档页面证据
文档视觉编码器对LLM理解和推理很重要。MonkeyOCRv2提出‘重建即文档视觉记忆’，通过多组实验验证其有效性，还发布MonkeyDoc v2数据集，推动公平比较的研究文化。
腾讯重磅开源：端到端文档转换VLM，中英文错误率双料最佳！
腾讯开源端到端文档转换视觉模型POINTS - Reader，可将文档图片转结构化文本。它基于POINTS1.5架构，支持中英文。在OmniDocBench基准上，中英文错误率暂列最佳，具零后处理简单等亮点。
阿里重磅开源：端到端VLM文档解析模型，图片直出结构化HTML！
在AI文字识别类应用中，文档解析常不尽人意。阿里开源端到端文档解析模型Logics - Parsing，基于VLM，能图片直出结构化HTML，有统一、智能、精细等亮点，还给出使用步骤。
实时交互式长视频生成
文章提出用于实时交互式长视频生成的帧级自回归框架 LongLive，解决了长视频生成在效率和质量方面的挑战，具备长视频生成、实时推理、高效微调等亮点，还给出安装、推理、训练等步骤。
多模态长文本理解测评首发：46款模型无一攻克128K难关
香港科大等研究者联合提出MMLongBench，用于评估多模态模型长文本理解能力。它覆盖5大类型任务的16个数据集，对46个模型测试显示，闭源和开源模型在长上下文任务均面临挑战，OCR和跨模态检索能力是瓶颈。
Self-Forcing++：让自回归视频生成模型突破 4 分钟时长极限
加州大学洛杉矶分校与字节Seed等团队联合完成Self-Forcing++，让自回归视频生成模型突破4分钟时长极限。它解决传统模型架构缺陷，经三步技术实现稳定超长视频生成，实验超基线，但仍有长时记忆缺失等问题。
IBM推出轻量多模态文档神器！OCR与QA超GPT-4o，识别率高达98%！
日常文档处理麻烦，现有工具或体积大、算力消耗高，或识别精度不够。IBM 开源轻量多模态文档处理模型 Granite - Docling，仅258M参数，性能超 GPT - 4o，适用于多场景。
边打字边出片，交互式生成长视频！英伟达联合MIT开源新SOTA
AI拍长视频不再难！英伟达联合MIT推出LongLive，可实时交互生成流畅画面，解决传统方法卡顿、不连贯等痛点。它能生成15秒到240秒视频，性能达SOTA，还靠三把“钥匙”解决长、顺、快难题。