搜索：多页文档理解

「多页文档理解」共找到 1108 篇相关文章

DeepMind率先提出CoF：视频模型有自己的思维链

DeepMind在Veo 3论文中提出帧链CoF概念，类比语言模型CoT，让视频模型能时空推理。实验显示Veo 3有通用视觉理解能力，能零样本解决视觉任务，未来通用视频模型或取代专用模型。

多模态大模型存在“近视”和“走神”问题，总是过度关注图像底部而忽略核心内容。上海大学与南开大学研究团队用两条数学公式去偏干预，无需增加计算成本，却能显著提升主流模型视觉理解能力。

自变量机器人发布全球首个世界统一模型架构的具身智能基础模型WALL - B，它打通视觉、听觉等模块，让机器人理解物理世界。还让机器人拥有多能力，通过真实家庭数据形成数据飞轮，助力其融入家庭。

白杨SEO分享AI搜索优化（GEO）从“被看见”到“被选中”的7个真相，含为何做GEO、竞争内容、让AI理解和信任品牌的方法、成默认推荐答案的条件、效果评估及长期坚持的原因等。

手握约1000项专利的再生元联合创始人乔治·扬科普洛斯，在AI制药成热点时选择逆行，坚持内部研发、人类遗传学和基础生物学。他批评跟风，强调深入理解疾病机制，认为AI可增效但不能决定方向。

DeepSeek更新DeepSeek - OCR 2，引入DeepEncoder V2架构，实现视觉编码范式转变。模型和技术报告齐开源，在多项测试中表现出色，降低重复率，为全模态编码提供路径，但在报纸类文档识别有不足。

90后华人数学家Yuansi Chen攻破困扰数学界30多年的塔拉格兰卷积猜想，论文精确到一个log log η因子。此研究为理解高维离散空间平滑化提供论证，与机器学习、生成式AI密切相关。

作者分享对接智谱API的超爽体验，5分钟搞定。强调在Agent工作流里文档质量影响成功率，对比某作图API凸显差距。指出2025年后AI Agent成API主要用户，智谱和Cloudflare站对边，体现Agent First思维。

布朗大学和机器人与人工智能研究所团队提出 NovaFlow 框架，利用视频生成模型常识知识，让机器人“看片”自学。它将任务理解与控制解耦，通过生成视频提取动作流，实现零样本操控，为通用机器人提供新路径。

作者复盘用 AI 给 App 加新功能的开发流程，指出 AI 原生开发本质还是传统流程，但执行主体从人变成 Agent，人是指挥官，确认决策；各环节有变化，文档更重要，大部分开发类 Skills 没必要。