「多模态长文档视觉问答」共找到 1659 篇相关文章
GPT-5超越人类医生！推理能力比专家高出24%，理解力强29%
最新研究显示，GPT - 5在医疗领域处理多模态信息能力出色，在多模态测试中推理和理解得分比GPT - 4o分别提高近30%和36%，比人类医生还高。其能力提升源于端到端多模态架构，但现实应用还需更多实战考验。
Meta亿元天团首个大模型交卷！余家辉宋飏Jason Wei耗时九个月，一雪Llama前耻
Meta超级智能实验室耗时9个月推出原生多模态模型Muse Spark，发布后股价拉升。它让Meta在第三方测评中赶上第一梯队，虽在编程和长时间自主运行有差距，但在多模态理解等方面表现突出，不过也有编程翻车情况。
企业微信给AI写了94份说明书，Claude Code现在能直接干活
北京时间8月17日，企业微信更新，将能力域从7个扩到12个，参考文档扩到94份。介绍了其能操作的业务品类，分析文档权重体现的产品意图，阐述三个设计细节，指出想象空间、机会及坑，强调此次更新比首次更重要。
多模态爆发之后，谈 AI、IP 与漫剧
文章围绕AI漫剧展开，讲述其兴起动因，如技术突破、成本降低等；探讨IP创作该选成熟IP还是新IP；展望未来，认为它可能成主流，但要解决内容和技术难题；还提及工具平台与内容收益问题。
苹果新作：内化视觉思考，推理提速 5 倍
Apple研究团队提出Internalized Visual Thinking（IVT），一种将预测性世界建模能力内化到模型表征中的后训练框架。它在训练时预测未来，推理时直接回答，相比Visual CoT推理提速超5倍。
官方文档翻译：Nano Banana Pro 终极开发指南
本文是 Nano Banana Pro 开发指南，介绍其通过‘思考能力’、实时搜索和 4K 画质构建应用。涵盖在 Google AI Studio 试玩、环境搭建等内容，还给出使用最佳实践与提示词技巧。
Mistral 3发布，14B多模态小模型表现优异
Mistral AI第三代模型发布，含三个小型密集模型和稀疏混合专家模型Mistral Large 3，全用Apache 2.0许可。有多项技术亮点，Ollama等支持部署微调，还给出实用配置建议。
「听觉」引导「视觉」，OmniAgent开启全模态主动感知新范式
针对端到端全模态大模型痛点，浙江大学、西湖大学、蚂蚁集团联合提出 OmniAgent，它基于「音频引导」，用「思考 - 行动 - 观察 - 反思」闭环实现范式转变，在多基准测试中超越开闭源模型。
从大模型到多模态，图文混排Agent彻底起飞~
上周智谱多模态开源周，从GLM 4.6v到Autoglm，其图文并排使用场景很吸睛。上传PDF论文，它能生成图文混排解读文章，效果好。作者逆向原理复刻代码，还分享GLM 4.6V三个有意思的能力。
准确率腰斩！大模型视觉能力一出日常生活就「失灵」
EgoCross项目团队聚焦跨域第一视角视频问答评测，揭示现有MLLM在多场景泛化瓶颈。团队提出跨域第一视角视频问答基准EgoCross，经测试揭示模型短板，验证改进方法潜力，研究入选AAAI 2026且数据集等已开源。