搜索：有状态推理 - AI Reading Hub

「有状态推理」共找到 7617 篇相关文章

全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%

MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。

论文提出SearchAgent-X框架解决AI搜索智能体效率难题。研究剖析效率瓶颈，发现精度和延迟问题，提出优先级感知调度与无停顿检索技术，经评估大幅提升性能且不牺牲答案质量。

字节跳动开源统一多模态基础模型BAGEL，一个模型能同时理解和生成文本、图像、视频。部署测试有亮点但效果不稳定，还分享该模型体验Demo、地址及安装使用教程。

GitHub Copilot新智能体Coding Agent公测，官方想让它成协作开发搭子。但在微软仓库使用时问题多，多次提交失败、逻辑不通，未解决关键问题，虽能自动完成繁琐任务，但距‘靠谱搭子’还远。

MIT科学家威廉姆斯偶然发现，证明内存比大家认为的更强大，少量的内存与大量的时间一样有价值。他证明存在数学程序，可将算法转换成占用更少空间的形式，成果获好评。

本文围绕如何打造真正有用的AI产品展开，以Granola为例，阐述生成式AI领域创业需新打法，如不浪费时间解决即将消失的问题、利用边际成本创造机会、重视上下文及聚焦特定场景等。

文章指出VLM在实际生产应用中因高分辨率图像存在效率问题，介绍Apple出品的FastVLM解决方案，阐述其架构、训练过程，展示在多个基准测试的性能，凸显在高分辨率输入下提升效率的优势及实际应用价值。

卡内基梅隆大学提出LegoGPT，是首个依文本提示生成物理稳定乐高积木模型的方法。构建了StableText2Lego数据集，训练自回归大模型生成设计，还开发纹理生成法，设计能手动或机器人组装。

随着Gemini、GPT - 4o等把基于文本的图像编辑推向高峰，提高性能常需大量数据和大参数量模型。而浙大哈佛团队提出ICEdit，用少量数据和参数实现高质量图像编辑，媲美甚至超越商业大模型。

本文爆料中秋国庆假期前后，海内外多家AI巨头扎堆筹备发布新一代大模型，梳理了硅谷和国内厂商的最新进展，堪称AI圈「基模决战周」。