「多模态文档处理」共找到 2012 篇相关文章
英伟达Jim Fan：「世界建模」是新一代预训练范式
英伟达机器人主管Jim Fan判断，继“下一个词预测”后，世界建模将成新预训练范式，2026年大世界模型将为多模态AI奠基。他还讨论世界模型定义、应用，展望新推理形式，业内人士也各抒己见。
AI看不懂的色盲测试背后，藏着一场像素与诗意的战争。
作者和同事测试AI色盲测试图，多模态模型Gemini 3 Pro、Claude Opus 4.5等纷纷答错，仅GPT 5.2 Thinking答对且靠代码作弊。研究发现，AI看图断章取义，缺乏人类的“格式塔”能力。
Sora爆火之际，这家AI公司的DAU正以每月翻倍速度狂奔——Agnes
OpenAI的Sora爆火，而AI Agent产品Agnes正走不同路线。它三个月内全球注册用户破百万，DAU逼近10万，ARR达780万美元且近乎每月翻倍。其多模态社区预计10月上线，追求“Vibe Lifestyle”理念。
阿里Qwen悄悄放出6个开源权重，国庆卷疯了~
国庆期间，阿里通义千问悄悄放出6个开源模型权重，Qwen3-VL是通义千问系列最强大的视觉 - 语言模型。其30B版本多模态表现媲美GPT - 5 - Mini等，功能与架构均有升级。
从文心开源谈起，论大模型发展新生态
6月30日百度宣布开源ERNIE 4.5即文心4.5系列模型，实现预训练权重+推理代码完全开源。文心团队提出创新架构，增强多模态理解能力。今晚7:30，CSDN邀专家深度解读文心开源及行业趋势。
4.5k星星爆火！用图片压缩Fable 5上下文，成本大幅降低，终于用得起这个模型了
Fable 5在AI圈爆火，但使用成本比其他型号贵至少5倍。pxpipe项目把适合压缩的大段文本渲染成PNG图片，交给多模态模型读取，能大幅降低成本，还能增加上下文长度。
AI版Chrome终于来了
Google正式推出Gemini in Chrome功能，将Gemini整合进Chrome浏览器。Chrome从‘内容展示器’变为‘内容理解器’，有多标签页处理等功能，提升效率，还推动浏览器形态演进，未来或能替用户操作。
GitHub 推出 AgentHQ，Copilot 生态再扩容
GitHub在GitHub Universe 2025活动上推出AgentHQ，可让开发者在其开发环境创建并部署AI智能体，是Copilot延伸。智能体可处理编码多环节，还与GitHub Actions集成，社区反响褒贬不一。
突破Agent长程推理效率瓶颈！MIT&新加坡国立联合推出强化学习新训练方法
AI Agent处理复杂任务时显存、算力问题凸显，MIT和新加坡国立大学联合提出MEM1框架。它基于强化学习，让智能体学会管理记忆，实现近似常量级显存开销，在多方面表现超越大模型。
绝美无痕，比你还会P图的Agent！仅通过自然语言指令，灵活使用数百工具，超越GPT-4o达60%
JarvisArt提出多模态大模型驱动的智能Agent，通过理解自然语言指令，协调200+个Lightroom工具，实现媲美专业修图师的非破坏性编辑。其内容保真度超越GPT - 4o达60%，为AI艺术创作开辟新路径。