搜索：文档视觉编码器

「文档视觉编码器」共找到 1290 篇相关文章

具身智能空间视觉死穴，终于被最新顶会彻底解决！

招商局先进技术研究院下属实验室提出新的移动数据范式，以极低成本破解 VLA 的空间泛化瓶颈。研究团队识别出 VLA 模型三种捷径学习模式，提出层次化数据解耦策略，该方案在主流 VLA 模型上验证有效。

Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。

来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。

Anthropic将Claude Code做成桌面应用，本值得期待，然而新桌面版却问题频出，如卡顿、崩溃、自动化功能不稳定等，还出现大量基础功能问题。此前Anthropic宣称代码由AI编写比例高，但产品质量堪忧。

南洋理工、北航与合工大联合提出CARE Transformer，以非对称解耦建模局部与全局，降低计算开销、提升特征表达。实验显示其在移动端低延迟高精度，打破“效率与精度不可兼得”困局。

Anthropic的Alignment Science团队研究大语言模型训练投毒攻击，实验发现仅250条恶意样本就能植入“后门”，且模型越大攻击越易，还对微调数据集实验，引发讨论。

很多人以为Claude Code是Anthropic规划已久的大项目，实则最初是个人副项目。工程师Boris Cherny为熟悉API做了听歌脚本，后经改进让Claude能读文件、探索代码库，其在公司内部疯传，最终发布并发展成完整产品。

北京AIGC视听产业创新中心位于朝阳区，是推动影视制作基地建设的举措。由多方参与，首创郎园运营，提供六大服务平台，截至2025年8月汇聚60余家伙伴。首创郎园拓展能力，项目延伸多地。

Nvidia开源OpenReasoning-Nemotron系列模型合集，采用Qwen2.5架构，基于500万条轨迹训练。评测输出长度最高64K token，多版本刷新SOTA。其‘heavy’模式有独特能力，32B版在数学与编程基准超越O3（High）。

多模态大模型在多领域需求增长，但千卡级 GPU 训练挑战大。vivo AI 架构师王兆雄在大会演讲，结合 LLaVA 和 DiT 模型实践，解析优化策略，分享提升训练效率与稳定性的经验，还展望了 AI Infra 未来。