搜索：多模态长文档问答

「多模态长文档问答」共找到 1302 篇相关文章

准确率腰斩！大模型视觉能力一出日常生活就「失灵」

EgoCross项目团队聚焦跨域第一视角视频问答评测，揭示现有MLLM在多场景泛化瓶颈。团队提出跨域第一视角视频问答基准EgoCross，经测试揭示模型短板，验证改进方法潜力，研究入选AAAI 2026且数据集等已开源。

在AI应用发展中，LLM与RAG系统成核心引擎，但项目落地时模型表现常难达预期，根源在于文档解析质量。TextIn xParse能为RAG打造‘零损耗’知识管道，本文从多方面对其解析能力进行了解读。

挚文集团生态技术负责人李波在AICon大会分享大模型在社交生态落地实践。介绍集团生态问题，提出构建治理框架，还阐述多模态大模型研发方案、细粒度用户画像建设及审核侧应用，最后总结现状并展望未来。

阿里云宣布开源 Qwen3.6-27B 多模态模型，支持多模态思考与非思考模式，在智能体编程方面超前代旗舰 Qwen3.5-397B-A17B。它已在 Qwen Studio 上线，开源权重可从 Hugging Face 和 ModelScope 下载，阿里云百炼 API 即将支持。

最新研究显示，GPT - 5在医疗领域处理多模态信息能力出色，在多模态测试中推理和理解得分比GPT - 4o分别提高近30%和36%，比人类医生还高。其能力提升源于端到端多模态架构，但现实应用还需更多实战考验。

Meta超级智能实验室耗时9个月推出原生多模态模型Muse Spark，发布后股价拉升。它让Meta在第三方测评中赶上第一梯队，虽在编程和长时间自主运行有差距，但在多模态理解等方面表现突出，不过也有编程翻车情况。

北京时间8月17日，企业微信更新，将能力域从7个扩到12个，参考文档扩到94份。介绍了其能操作的业务品类，分析文档权重体现的产品意图，阐述三个设计细节，指出想象空间、机会及坑，强调此次更新比首次更重要。

Jina AI发布2.4B参数量的视觉语言模型Jina - VLM，在多语言视觉问答任务达SOTA。它引入注意力池化，连接视觉与语言基座，处理问答等任务，对硬件要求低，多项测试表现优，还介绍架构、训练策略和上手方式。

DeepSeek联合北大、清华开源多模态技术及论文，提出“视觉基元推理”框架，解决MLLM指代鸿沟问题。基于DeepSeek - V4 - Flash构建的模型，性能比肩GPT - 5.4等。论文还介绍架构、训练流程等。

论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。