搜索：文档图像解析

「文档图像解析」共找到 944 篇相关文章

火速吃瓜，OpenAI模型还没发又惹出争议了？？

GPT - 6发布前夕消息不断，OpenAI新模型引入的“循环深度”技术因可能让模型思考难监控引争议，同时模型名或被API剧透，图像模型GPT Images 2.1也将更新。

作者回顾PPT Agent发展，指出存在Agent理解操作文档及AI生成PPT表达单一的问题。提出Artifact Runtime概念，它让PPT可被持续操作，还能接管重复决策，但不能替代专业判断。

文章分享票据风图片提示词，还将此风格打包成 Skills。该 Skills 能批量为文档生成配图和封面，有多种格式、分辨率等选项，内置三套风格，还介绍了安装和使用方法。

腾讯混元团队开源PromptEnhancer框架，通过“思维链提示重写”提升AI绘画文本 - 图像对齐精度，复杂场景准确率提升17%以上。还开源高质量基准测试数据集，为研究提供支撑。

谷歌推出Nano Banana（即Gemini 2.5 Flash Image图像模型）官方使用指南，含六条提示词模板及示例，介绍文生图等核心功能，还教你编写有效提示词发挥其潜力。

EmoStyle由深圳大学可视计算研究中心黄惠教授课题组完成。它解决图像情感风格化两大挑战，提出有效方法、构建数据集、设计模块。实验显示其平衡情感与内容，还能扩展到文生图。

通义文档智能团队推出QwenLong - L1.5，提供长文本推理后训练“配方”，含数据合成管线、强化学习方法和智能体架构。通过三大“法宝”重塑模型能力，效果显著，相关代码已开源。

谷歌开放Gemini Omni Flash API，将多模态推理与视频生成编辑结合，有4项关键能力，也有局限。Nano Banana 2 Lite出图快且便宜。二者串联使用，图像生成与视频创作可无缝衔接。

来自SGLang开源社区的Yichi介绍SGLang Diffusion，它是面向图像与视频生成的全开源扩散模型推理引擎。基于SGLang机制将能力迁移到扩散模型推理，能显著提速工作流，视频展示了多种功能。

4月16 - 18日QCon全球软件开发大会将在北京举办，聚焦Agentic AI时代软件工程重塑。阿里陶宇田将分享《OpenSandbox：重新思考Agent时代的Runtime》，结合阿里实践解析关键设计与经验，大会还有20多个专题论坛。