「多模态文档解析」共找到 1374 篇相关文章
全面解析 Agent Engineering 的 10 大工程维度：生产级 Agent 系统的炼成之路。
技术突破让AI智能体成热点，但应用走向真实业务暴露出工程瓶颈。本文围绕智能体工程及其10个核心维度，剖析从“不确定的LLM能力”到“可靠的生产级Agent系统”的炼成之路。
智能体如何学会「想象」？深度解析世界模型嵌入具身系统的三大技术范式
长期以来具身智能系统缺预测力，世界模型让智能体有了‘想象’未来的能力。中科大等机构团队综述将现有研究划分为模块化、顺序、统一三大架构集成范式，并指出未来研究方向。
超强开源OCR，手写体识别能力超dots.ocr，封存多年的老文档数字化有救了。
文章推荐新开源的OCR系统Chandra，它对手写体识别做了优化，官方测评数据显示比dots.ocr强。介绍其适用于多场景及功能特点，还展示了不同场景的识别效果，建议有需求者多对比测试。
阿里杀进Agent上下文战场：钉钉聊天、企业文档、工作数据终于要被Agent吃进去了
个人、企业用户苦工作场景「上下文」久矣，Agent常不懂真实业务。阿里千问办公开源的「MyContext」，将分散工作数据加工成Agent可消费的上下文，处理多种难题，还将能力向组织延伸，助力Agent融入工作流。
ICLR 2026｜原生多模态推理新范式ThinkMorph ，让文字与图像在统一架构中共同演化
NUS、ZJU 等联合提出「ThinkMorph」，主张文字与图像在统一架构「原生协作」。仅用 2.4 万条数据微调 7B 统一模型，视觉推理平均提升 34.74%，多项任务比肩或超 GPT - 4o 和 Gemini 2.5 Flash，还涌现新能力。
多模态推理新范式：上海AI Lab新作证明“画”出答案比“说”出答案更靠谱
上海人工智能实验室等联合提出DiffThinker模型，利用扩散模型构建全新视觉推理范式。它在视觉中心任务上表现优异，准确率碾压GPT - 5等模型，还能与MLLM协同推理实现1 + 1 > 2的效果。
AI Agent如何重构企业核心系统？深度拆解Agent、多模态与组织变革的实战路径｜AICon
12月19 - 20日北京举办的AICon大会，围绕AI Agent等展开探索。来自腾讯等企业的人士将分享构建智能系统经验。大会有Keynote、平行技术专场、晚场辩论等，涵盖多领域议题，为参会者带来前瞻思想盛宴。
Meta 系 95 后华人明星团队，创业一年就与高通达成合作，让手机拥有多模态记忆
由华人创业者沈俊潇创办的 Memories.ai 发布 LVMM 2.0 并宣布与高通合作，该模型 2026 年将在高通处理器上原生运行。它解决视频可搜索性问题，应用广泛，能降低延迟、确保数据安全等。
语音分离最全综述来了！清华等团队深度分析200+文章，系统解析「鸡尾酒会问题」研究
清华等多校及字节跳动研究者全面调研语音分离领域，撰写综述论文，分析200余篇代表性论文。从问题定义、学习范式、模型架构等多维度展开，还探讨评估指标、数据集等，指出未来挑战与探索方向。
Kimi K2技术报告正式发布：“保姆级”深度解析，一文读懂万亿参数智能体的所有秘密
Kimi K2技术报告发布，Moonshot团队用万亿+参数稀疏MoE架构等打造接近Claude - Opus的通用大模型。围绕训练稳定性等改进，有预训练、架构设计等多方面创新，为智能体领域提供可行路径。