「文档图像解析」共找到 944 篇相关文章
「推理革命」爆发100天：DeepSeek-R1复现研究全揭秘！
本文深入梳理围绕DeepSeek-R1的复现研究，解析监督微调、强化学习等关键技术细节，介绍相关数据集、训练方法及奖励机制等，还探讨了推理语言模型更多发展方向，为研究提供基础。
这张信息图，居然是8B开源模型做的？？
商汤新开源的 8B 多模态模型 SenseNova U1，架构独特，图像评测表现好，信息图生成能力强、延迟低。它具备图文交错能力，适合自媒体、敏感行业等，有在线体验和开源代码入口。
谷歌机器人大脑又进化了。成功率飙3倍，还能看表干活、保护自己
Google DeepMind发布机器人大脑Gemini Robotics ER 1.6模型，提升机器人空间感知、多视角解析与仪表读取准度，具精准指认、读表能力，还提高操作安全性与合规度，开发者可通过Gemini API等使用。
OpenClaw现在可以直接生成视频了，支持12家视频模型提供商
Peter Steinberger宣布OpenClaw新版推视频生成功能，让Agent完成文本到视频流程。它集成12家视频生成提供商，异步生成，使用简单，支持丰富参数配置，官方文档见https://docs.openclaw.ai/tools/video-generation 。
没有KPI，也能领先OpenAI？从“内部观察者”视角看顶级AI实验室如何运作
InfoQ采访《哈萨比斯：谷歌AI之脑》作者塞巴斯蒂安·马拉比，从“内部观察者”视角解析DeepMind成长逻辑，探讨其与OpenAI、Anthropic差异，还谈及AI竞争格局、组织模式及资源配置等问题。
AI的七窍打通了！谷歌发布Gemini Embedding 2原生多模态嵌入模型
谷歌发布Gemini Embedding 2新型基础架构，将文字、图像等数据整合到统一维度，终结旧工作流。该系统赋予机器五维感知，建立跨媒介沟通语言，提升运行效率，在多场景有应用潜力。
谷歌首个原生多模态向量模型发布：Agent 可以用文字搜图片、用图片搜视频了...
谷歌推出首个原生多模态嵌入模型Gemini Embedding 2，通过Gemini API和Vertex AI公开预览。它将文本、图像等映射到统一向量空间，支持多模态交错输入，性能超越现有领先模型，开发者可快速接入。
多尺度特征融合：原理、结构与实用算法案例
文章介绍多尺度特征融合技术，它结合网络不同层次特征以捕获丰富上下文信息，在目标检测等任务广泛应用。阐述原理、常用方法，介绍FPN、U - Net等结构，并给出基于这些结构的实用算法案例与Python代码。
Claude Code官方出教程了！创始人分享十大神级技巧，内部团队原来是这样用的
Claude Code 创始人 Boris Cherny 分享内部团队使用 Claude Code 的十大技巧，包括并行处理任务、用‘计划模式’启动复杂任务、投资 CLAUDE.md 文件等，还给出各技巧的具体操作方法及相关文档链接。
劈柴哥和哈萨比斯亲自站台！谷歌世界模型Project Genie刷屏，幕后团队揭秘60秒不是极限，内存是巨大约束
谷歌发布世界模型原型 Project Genie，用一句话或图就能生成可玩交互的实时虚拟世界，由劈柴哥和哈萨比斯站台。它基于 Genie 3、Nano Banana Pro 和 Gemini 构建，解决了世界模型长期以来的短板，目前处于实验阶段。