搜索：多模态文档处理

「多模态文档处理」共找到 2012 篇相关文章

OpenAI华人AI大牛集体跳槽Meta！清华北大浙大中科大校友各一位，多模态后训练、感知团队负责人全走了

扎克伯格从奥特曼手里挖走4名OpenAI华人顶尖AI人才，包括中科大、浙大、清华、北大校友各一位。OpenAI或提高薪酬留人，人才争夺战成本升高，这也是开源与闭源阵营的交锋。

7月26日，上海AI实验室在WAIC 2025上发布并开源『书生』科学多模态大模型Intern-S1。它首创‘跨模态科学解析引擎’，在多学科专业任务基准上超越顶尖闭源模型，还具备体系化技术创新。未来将持续开源，打造更懂科学的AI助手。

KAUST团队提出全新方法V2M4，能从单目视频直接生成高质量、显式的4D网格动画资源。该方法构建多阶段流程，涵盖相机轨迹恢复等关键步骤，平均每帧约60秒，比现有方法显著提速，论文已被ICCV 2025接收。

AI大牛梅涛创立的智象未来公司推出vivago2.0（智小象AI），支持图片、视频、播客生成，有上百种特效模板，生图还能自动优化prompt。其依托HiDream - A1，结合HiDream - I1和HiDream - E1能力，团队技术实力强且融资顺利。

上海多所高校研究者提出 OST - Bench，从智能体探索场景动态在线视角挑战大模型能力。它更贴近真实世界，揭示主流多模态大模型在线时空理解短板，为未来模型发展指明方向。

2025年CMO决赛首设AI测试，书生科学多模态大模型Intern-S1以102分位列大模型得分榜首，远超金牌线和国家集训队入选线。其推理能力提升得益于多项创新，未来将拓展至多领域科研。

DeepCode 是香港大学开源的多智能体开发平台，支持将论文、需求文档等转化为生产级代码。它能解决论文复现、原型开发等痛点，有多项特色功能，在性能对比中领先，适用于多类场景。

联合团队提出 PresentAgent，能将长篇文档转化为带解说演示视频。采用模块化流程，还引入 PresentEval 评估框架。实验显示其接近人类表现，优于现有方案，展现了多模态智能体潜力。

随着 Agent 处理任务变复杂，Markdown 在长文档中可读性与排版局限凸显。HTML 能无损表达信息、支持双向交互，但生成耗时久、版本控制难。AI 研究者 Karpathy 附议，HTML 成探索方向。

地球观测数据复杂，现有多模态模型难适用。意大利、德国多所高校研究人员联合开源多模态大模型EarthMind，引入空间注意力提示模块，实现跨模态融合和多粒度理解，解决地球观测难题。