「多模态长文档问答」共找到 1302 篇相关文章
DeepSeek视觉原语论文：当所有人在堆图像分辨率时，它在堆「指代精度」！
4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。
面向长时语音与声音克隆的全模态开源万能聊天机器人MGM-Omni
文章介绍了全模态开源聊天机器人MGM - Omni，它基于MiniGemini，支持多模态输入输出，具备长语音理解、生成、流式生成、零样本语音克隆等特性，还给出安装、使用方法，展示评估结果。
别再“演智能”了，MiniMax Agent 才是真特工
2024 年有不少‘伪 Agent’项目，2025 年 AI Agent 开始在解决真实问题上落地。MiniMax Agent 在深度研究、网页生成、PPT 生成及多模态输入输出上超越竞品，其优势源于多方面，已从众多 Agent 产品中脱颖而出。
夜间感知新突破！北航等提出红外主导的高效目标检测方案 | ECCV'26
在复杂视觉场景中，传统RGB - IR多模态检测方法在低照度等场景下因RGB退化影响检测效果。北航等团队提出的InfraNet，以红外为主，用质量感知机制控制RGB引导，在多数据集取得强竞争力结果。
谷歌Agent正在憋大招：AI科学家内测，锦标赛制“炼”想法，一次跑40分钟
谷歌正为Gemini Enterprise开发多智能体系统，能扮演联席科学家提炼想法，实现研究自动化。工作时以锦标赛形式评估想法，一次运行约40分钟，还准备了“想法生成”“联席科学家”等智能体。此外还有“与文档对话”功能。
刚刚，OpenAI 再次开源！安全分类模型 gpt-oss-safeguard 准确率超越 GPT-5
OpenAI 开源安全分类推理模型 gpt-oss-safeguard，有 120b 和 20b 参数量版本，采用 Apache 2.0 许可证。它能直接理解策略文档分类内容，推理能力超 GPT - 5，性价比高，虽有局限但仍是开发者利器。
2.1K Star！这个 Claude Skills 技能库，给 AI 编程助手装上了 66 颗专家大脑！
GitHub上的开源项目claude - skills迅速走红，斩获2.1K Star。它是全能技能注入包，内置66种专业技能，覆盖12个领域，有300多份深度参考文档，具备上下文感知能力，还整合9套工作流，安装方式多样。
AI三国杀！OpenAI狂卷，DeepSeek封神，却被Mistral偷了家？
中美忙着堆算力打AI战，欧洲Mistral杀出，推出Large 3和Ministral 3，全开源、多模态、能落地。Large 3规格高，Ministral 3小而强，可跑在多设备上。Mistral还想成平台，挑战巨头。
用 AI 开发网站？这个 MCP 必装，Next.js 原生 MCP 已上线！
Next.js官方发布了自己的MCP，具备自动化调试等诸多功能，能增强代理在该框架下的开发能力。它可集成Playwright MCP，查询文档和最佳实践等，还说明了使用流程、提问方式及原理。
字节Seedream 4.0将全量开放！抢先评测来了，我们摸索出AI生图20种「邪修」玩法
近日，字节跳动内测豆包・图像创作模型 Seedream 4.0，支持多模态生图，核心能力显著提升。它将全量上线并开放给企业客户。实测显示其多模态融合出色，还与谷歌 Nano Banana 对比，各有优势。