「视频OCR」共找到 1103 篇相关文章
【DeepSeek-OCR系列第一篇】Language Modelling with Pixels【ICLR23】
当前主流语言模型依赖固定词表，扩展到多语言、多脚本时面临覆盖受限、计算昂贵、鲁棒性差等问题。ICLR 2023论文提出不依赖词表的PIXEL模型，通过将文本变成图像用视觉Transformer理解，实验验证其有跨语言、抗噪声等优势。
教你用 Lovart 生成超炫 PPT 视频封面
受海外老哥启发，探索出用 Lovart 生成动态 PPT 背景的提示词，提示词放评论区。
ECCV 2026 | 一段视频，重建一个可仿真的动态世界
机器人走出实验室后，训练数据需覆盖真实世界情况。OVOW由多团队完成，被ECCV 2026接收。它从单目视频出发，输出可编辑、可碰撞的实例级Mesh，串联视觉基础模型完成流水线工作，能用于物理仿真。
阿里Qwen3一大波更新：代码生成、视频、图片、语音全都有
阿里Qwen3迎来一大波更新，涵盖多个模型。如Qwen3-Max在代码与智能体表现卓越；Qwen3-VL是强大视觉语言模型；Qwen3-Omni是全模态模型；还有图像编辑、同传、安全防护等模型及旅行规划师等应用。
神秘「欢乐马」霸榜视频模型！本以为Seedance2.0已封神…
神秘模型HappyHorse - 1.0悄然登顶Artificial Analysis的AI Video Arena排行榜，在多个赛道力压Seedance等模型，呈现断层式碾压。它或出自阿里淘天未来生活实验室，据说完全开源，10号将正式发布。
OpenMAIC：一键生成互动课堂，视频+PPT全都有，还可以编辑
清华开源项目OpenMAIC是多智能体互动课堂，上传文档或描述主题，几分钟就能生成虚拟课堂，AI教授讲课、同学讨论，还有白板功能。底层用LangGraph编排，支持主流模型，有OpenClaw集成，架构完整。
李飞飞又被超越了？百万「普通视频」打造通用4D世界模型！
全行业为昂贵多视角数据发愁时，中科院和CreateAI推出NeoVerse，用百万单目视频打开4D世界模型大门。它抛弃多视角数据和离线预处理，解决扩展性瓶颈，在重建速度、生成质量等方面表现出色，有丰富下游应用。
短视频刷多了AI也会变蠢！“年度最令人不安的论文”
最新研究显示，大模型灌多垃圾内容会‘脑损伤’，研究人员用不同维度定义垃圾数据并训练模型，测试其核心能力，发现垃圾数据致认知下降，且损伤不可逆，还给出行业启发。
最强开源0.9B级OCR模型！PaddleOCR-VL本地一键部署！
作者分享本地部署PaddleOCR-VL的经历，包括踩坑过程、解决办法及启动指令。该模型识别速度快，支持OpenAI API格式，可轻松接入Fastgpt、Dify、n8n等平台。
最强开源0.9B级OCR模型！本地Agent、知识库都有救了！
百度飞桨PaddleOCR团队开源多模态文档解析模型PaddleOCR-VL，参数量仅0.9B，对算力要求低。它在OmniDocBench V1.5榜单屠榜，经测试，能精准识别发票、图表等，适合本地环境与资源受限设备。