「多模态文档处理」共找到 2012 篇相关文章
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。
@所有开发者：Agent变现，阿里云百炼联合支付宝首创「AI打赏」！Agent Store全新发布
2025年是Agent元年，不过很多项目卡在POC阶段。6月25日阿里云百炼3.0全新升级，联合支付宝推“Agent打赏”功能，还上线Agent Store。此外，它升级多模态RAG和MCP能力，推出多模态交互开发套件。
代码智能体占领GitHub！自动修bug、加功能、写文档，一台手机就能指挥
GitHub上新代码智能体Copilot Coding Agent，可自动修bug、加功能、写文档，开发者评价很棒。在手机APP就能操作，还能同时分配多任务。微软宣布VSCode中GitHub Copilot将开源，还发布多项新功能。
为什么Cline不对你的代码库进行索引（以及为什么这是好事）
用户常问Cline如何处理大型代码库，是否用RAG索引全部代码。Cline特意选择不对代码库进行索引，因为传统RAG方法用于代码库有逻辑切割、索引过时、安全风险等问题。Cline像开发者一样处理代码，有独特优势。
全球首个人形机器人通用视觉感知系统，Humanoid Occupancy建立多模态环境理解新范式
北京人形机器人创新中心推出 Humanoid Occupancy 感知系统，创新性融合多模态传感器信息，构建通用感知框架。它以语义占用表征为核心，有全编码和适配融合优势，经实验验证性能优，推动机器人迈向通用感知时代。
刚刚，小红书开源了首个多模态大模型dots.vlm1，性能直追SOTA！
小红书人文智能实验室（hi lab）低调开源视觉语言模型dots.vlm1。该模型基于自研视觉编码器构建，在视觉理解和推理任务上接近SOTA水平，实测表现惊艳，还介绍了其技术架构、预训练数据布局等内容。
刚刚，百度最新开源神作：PaddleOCR-VL-1.5上线了
1月29日百度开源新一代文档解析模型PaddleOCR-VL-1.5，参数仅0.9B，在OmniDocBench V1.5评测中综合性能全球第一，精度达94.5%。它支持异形框定位，解决真实文档解析难题，在多场景表现出色。
全新OCR将图片变代码无损重绘！华中科大&小红书发布3B模型，图形重建超越Gemini 3 Pro
华中科技大学与小红书联合推出MOCR，提出「解析一切」新范式，将文档图形升级为「一等解析目标」。它解决传统OCR短板，在文档解析和图形重建表现出色，还革新评估方法，代码和模型已开源。
吴恩达来信：建立为人类服务的智能体社群
吴恩达讨论编程智能体分享经验平台的可能性，介绍了解决编程智能体获取最新API文档问题的chub工具。他提出收集智能体反馈以更新文档，还受Moltbook和Stack Overflow启发，认为智能体贡献反馈很有价值。
谷歌最强AI，被港科大开源超了？让海外创作者喊出「King Bomb」的P图大杀器来了
图像编辑与生成模型爆发，冲击Photoshop地位。港科大贾佳亚团队开源DreamOmni2，优化升级多模态指令编辑与生成能力，效果获海外创作者认可，还在实测中表现出色，其采用创新技术方案构建多模态生成体系。