搜索：视觉问答模型

「视觉问答模型」共找到 8061 篇相关文章

探索文本压缩极限！C3纯文本压缩pipeline：20倍压缩解码准确率98%

DeepSeek团队的DeepSeek - OCR技术引发关注，研究者重新审视视觉压缩路径后提出C3技术。C3采用纯文本压缩管道，实验表明其压缩精度远超DeepSeek - OCR，还具独特遗忘模式，代码模型均已开源。

Ilya接受90多分钟深度访谈，指出当前大模型泛化能力远不如人，Scaling时代终结，研究时代回归。还谈到AI经济影响与跑分不匹配、泛化能力鸿沟、情感价值等问题，预测超级智能5 - 20年到来。

TinyAI是用Java实现的全栈轻量级AI框架，具有教育友好、模块化等特点。它分层设计，涵盖数学运算、神经网络等模块，支持多种模型架构与并行训练，还有智能体系统，可用于多领域，未来规划丰富。

Figure机器人学会洗碗，用的是叠毛巾和分包裹同款Helix架构，无新算法和特殊工程，仅增加新数据。该架构是端到端“视觉 - 语言 - 动作”模型，同一系统增数据就能学新技能。

dots.ocr是多语言开源文档解析器，把布局检测和内容识别统一在视觉语言模型中，虽LLM仅1.7B参数，却达SOTA性能。介绍了其预训练三阶段及SFT阶段关键策略。

随着多模态模型兴起，AI生成叙事性视频成热点，但现有方法处理长视频有挑战。哈工大发布AniMaker框架，由多个智能体协作，实现文本到动画自动化转换，解决了视觉连贯和叙事一致等问题。

国际算法奥赛金牌得主团队测试20个顶级大模型，在584道编程赛题上，高难度题目AI通过率为0%。论文发布LiveCodeBench Pro评测方法，揭示AI编程能力神话泡沫，指出其问题并给出提升方向。

智谱开源的GLM - 5.2在AI编程领域成绩斐然，在Arena获全球第二、Design Arena全球第一，八项基准测试表现亮眼。经多方面实测，它在长程任务中优势明显，标志国产开源模型进入开发者工作流和硬核工程阶段。

2025年12月豆包月活达2.27亿，越来越多人与它语音通话。此前AI语音交互存在问题，豆包升级为全双工模型，体验更像打电话。作者实测其在不同场景表现出色，还分享使用技巧，并对比了和ChatGPT语音的优劣。

Anthropic推出Claude Managed Agents，一套为云端大规模构建和部署智能体设计的API套件，已在Claude Platform上线公测。它全托管基础设施，专为Claude模型优化，多家企业已在生产环境使用，还同步发布工程博客解释架构设计思路。