搜索：多模态长文档视觉问答

「多模态长文档视觉问答」共找到 1659 篇相关文章

OpenAI 的“编程”新范式？其实是瀑布模型的回魂：“听 PM 的话、写需求文档”

在今年AI工程师大会上，OpenAI研究员Sean Grove提出在AI驱动时代，清晰规范将取代传统代码成软件开发核心产物。他认为编程核心是结构化沟通，该转变是工程实践未来方向，但引发诸多讨论。

OpenAI对ChatGPT进行更新，在深度研究功能中增加连接器，可连接企业和个人数据源，进行更深入搜索分析；新增录音模式，支持自动整理重点内容等。还调整定价策略，让现有部分用户能访问新功能。

传统向量数据库因高成本和复杂运维让开发者却步。开源项目Memvid将文本数据存入视频文件，能高效检索，解决存储冗余、检索延迟和网络依赖问题，使用简单，虽处概念原型阶段但值得尝试。

清华大学和快手可灵团队推出DiffMoE，通过创新的动态token选择机制和全局token池设计，拓展了扩散模型的效率与性能边界。实验表明，DiffMoE在多方面超越现有模型，未来集成先进技术或有新增益。

文章推荐新开源的OCR系统Chandra，它对手写体识别做了优化，官方测评数据显示比dots.ocr强。介绍其适用于多场景及功能特点，还展示了不同场景的识别效果，建议有需求者多对比测试。

个人、企业用户苦工作场景「上下文」久矣，Agent常不懂真实业务。阿里千问办公开源的「MyContext」，将分散工作数据加工成Agent可消费的上下文，处理多种难题，还将能力向组织延伸，助力Agent融入工作流。

CourseAI介绍PP - StructureV3实战、能力、性能与架构。它在通用版面解析等方面能力强，更新PP - OCRv5提升准确率，超主流OCR方案，轻且速度快，但遇特殊情况需重新训练。

Insta360等团队推出全景度量深度基础模型DAP，构建200万量级全景数据引擎，设计三阶段伪标签管线，在模型架构上也有创新，在多项测试中效果优异，项目代码与模型已开源。

12月19 - 20日北京举办的AICon大会，围绕AI Agent等展开探索。来自腾讯等企业的人士将分享构建智能系统经验。大会有Keynote、平行技术专场、晚场辩论等，涵盖多领域议题，为参会者带来前瞻思想盛宴。

香港大学与上海AI Lab联合提出VLN - R1，可将自然语言指令转化为连续导航动作，打破传统链条。它有两阶段训练等创新支柱，在测试中表现出色，小模型性能佳，推动具身智能从数字向具身认知跨越。