搜索：通用视觉感知系统

「通用视觉感知系统」共找到 1584 篇相关文章

腾讯重磅开源：端到端文档转换VLM，中英文错误率双料最佳！

腾讯开源端到端文档转换视觉模型POINTS - Reader，可将文档图片转结构化文本。它基于POINTS1.5架构，支持中英文。在OmniDocBench基准上，中英文错误率暂列最佳，具零后处理简单等亮点。

在ICPC 2025编程赛上，OpenAI 5小时内解决12个问题满分登顶，其由通用推理模型集成体构成，结合GPT - 5与实验性模型；Gemini解决10个问题达金牌水平，在部分难题表现出色。

OpenAI华人研究科学家陈博远完成MIT博士论文答辩。他不到4年读完博士，辅修哲学，是GPT图像生成核心成员和Sora视频团队成员，将推进世界模型技术，强调视觉世界模型对具身智能至关重要。

文章聚焦多模态长文档视觉问答，介绍现有LVLM - based和RAG - based技术路线及困境。提出MMRAG - DocQA方案，引入‘分层索引 + 多粒度检索’，设计双索引建模相关性与依赖，用互补策略实现证据互补。

英伟达CEO黄仁勋在Computex 2025演讲官宣，将在中国台湾建首台世界级巨型AI超算及新总部，还推出GB300等新品，介绍NVLink Fusion等亮点，展望AI发展及通用机器人市场。

2024年GPT - 4o问世后，Voice Agent创业公司涌现，但通用方案在金融等场景「水土不服」。易鑫深耕汽车金融，自研工业级Voice Agent系统，采用Model + Harness方法论，实战数据亮眼，还将向泛金融领域延伸。

通用人工智能公司 VAST 完成 5000 万美元 A 轮融资，由阿里、恒旭资本联合领投。该公司在 3D 领域成果显著，发布全新 AI 3D 大模型家族，还将重点投入世界模型研发和 UGC 互动内容平台建设。

蚂蚁灵波开源通用世界模型LingBot-World，视觉效果与Genie 3不相上下且时间维度更长，能让用户深度参与，还具备一致性、记忆力等特点。它通过数据和模型层面创新炼成，结合此前开源成果构建具身智能基础设施。

西门子与腾讯优图联合团队提出AdaptCLIP通用视觉异常检测框架，不改动CLIP主干，引入轻量适配器。它兼容零样本/少样本推理，在12个数据集评估表现优，兼顾精度与部署需求。

Runway Gen - 4.5击败谷歌Veo3，以1247的ELO分数在Artificial Analysis榜单中重夺AI视频王座。它在多方面树立新标杆，虽有局限，但创始人认为其是通用模拟引擎，应用场景广泛。