「多模型推理」共找到 10087 篇相关文章
2025，大模型文档解析（OCR）年终盘点
2025年6月以来文档解析方法快速增长，有10余种。按“技术路线 + 工程形态”可归为4大类：传统级联流水线、轻量多模态两段式、通用多模态大模型一段式、轻量多模态一段式，各有优劣，4条路线覆盖所有OCR落地场景。
3D多光照场景渲染！GRGS带来真实感重光照
哈工大提出通用3D高斯框架GRGS，用于多样光照下高保真人体新视角合成。它采用前馈监督策略，支持可编辑光照，结合物理着色与神经网络推断，合成逼真效果，但处理透明材质和纤薄结构欠佳。
本地可运行的高质量的文本转语音模型
介绍Kyutai的Pocket TTS，一款轻量级文本转语音应用，可在CPU高效运行，模型小且低延迟，支持Python API和CLI，能语音克隆，还可在浏览器试用，目前仅支持英语，也有社区浏览器端实现。
DeepSeek又拿第一！首创「因果流」视觉推理，超越Gemini
DeepSeek开源DeepSeek - OCR2，引入DeepEncoder V2视觉编码器，打破传统模型扫描限制，模仿人类视觉「因果流」逻辑。它解决了传统VLM忽略图像语义结构问题，在多项测试中表现出色，还验证了「LLM作为视觉编码器」可行性。
一句话搞定多任务出行，高德用空间智能重新定义地图
高德地图推出业内首个专精“出行与生活”的智能体“小高老师”，依托时空感知多智能体协作系统ST - MAC，可满足复杂出行与生活需求。它重新定义地图，将出行与生活服务融合，引领行业体验深度竞争。
DeepMind 发布超真实世界模型 Genie 3，AGI 向前一步
谷歌旗下DeepMind发布通用型世界模型Genie 3，可通过文本提示生成动态世界并实时交互，其生成内容物理一致性达分钟级。它功能丰富，也受业内好评，但有行动空间有限等局限，对迈向AGI意义重大。
谈一谈TP推理场景下MoE Group GEMM的优化思路
作者在使用H20测试SGLang CUTLASS MoE时，发现其在中小Batch Size场景下性能不佳。为此设计Expert Specialization方案，启动多个不同配置Kernel，依Expert计算特性选合适的。还介绍了该方案在H20和Hx00上的实现细节及性能测试结果。
Qwen开源版Banana来了！原生支持ControlNet
Qwen推出新图像编辑模型Qwen - Image - Edit - 2509，支持多图融合、增强单图一致性，原生支持ControlNet。还开源端到端全模态模型Qwen3 - omni，性能优异，功能丰富。
Google新研究：降低大模型幻觉的全新视角——充分上下文！
谷歌新研究《SUFFICIENT CONTEXT: A NEW LENS ON RETRIEVAL AUGMENTED GENERATION SYSTEMS》提出“充分上下文”概念，剖析RAG系统失败原因并给出解决方案，对提升企业AI准确性和可靠性有重要意义。
Nature发布Delphi-2M模型，提前20年预测你得什么病
2025年9月17日《自然》发表研究成果，欧洲、德国和丹麦科学家改造GPT架构，推出Delphi - 2M模型。它能预测1258种疾病及死亡风险，依据过往病史等提供风险概率，虽有局限但潜力大。