「多模态长文档视觉问答」共找到 1659 篇相关文章
刚刚，DeepSeek开源OCR 2，首创Qwen编码的「双流架构」
年底 DeepSeek 开源新模型 DeepSeek - OCR 2，首创双流注意力架构，model&paper 一同发布。它重构视觉编码器，采用三阶段训练流程，在 OmniDocBench v1.5 评测及生产环境验证中表现良好。
2.1K star！在终端里丝滑写Markdown，这款平替神器绝了！
Glow是Charm团队开发的命令行Markdown阅读器，解决文档与命令行割裂问题。它功能丰富，支持多平台安装，架构清晰易扩展，适用于开发、运维等场景，相比同类工具优势明显。
炸裂！谷歌I/O大会王者归来：Gemini“世界模型” 初现，搜索“换脑”，一句话制作原声电影
谷歌I/O 2025大会发布大量技术，虽Gemini 2.5 Ultra未到，但Pro有革新。还推出新模型、代理工具，多模态能力提升，搜索重塑，加入AI眼镜开发，倾尽全力发展AI生态。
The Batch: 972｜Grok 的 Cursor 联盟获得回报
SpaceXAI发布与Cursor联合开发的视觉 - 语言模型Grok 4.6，已向开发者开放。介绍其输入/输出、特性等信息，阐述工作原理、性能表现，还提及相关新闻背景、重要原因及期望。
开源的 skill 被抄了千赞，我用 Lovart 给自己做了个品牌！
作者开源剪辑 Agent 被抄赞多，决定为账号做品牌视觉。其非设计师，用 Lovart 改变与 AI 沟通方式，通过 Brand Kit、字体生成器等完成系列设计，还能导出 PSD，沉淀 Skill。
FACTS 基准测试套件问世，用于评估大型语言模型的事实准确性
FACTS 基准测试套件由 FACTS 团队与 Kaggle 联合开发，基于原 FACTS Grounding Benchmark 增加三个新基准，可从四个维度评估大模型事实性。初步结果显示进展与挑战并存，多模态成难题。
开源版MetaQuery来了！OpenUni用1.1B参数媲美BLIP3-o-8B，数据代码完全开源
南洋理工大学 S-Lab 和商汤科技团队推出开源版 MetaQuery——OpenUni，仅 1.1B 参数达 8B 模型性能，代码、权重、数据全开源。它架构极简、参数高效，还继承了多模态理解能力。
从Transformer到GPT-5，听听OpenAI科学家 Lukasz 的“大模型第一性思考”
2017年《Attention Is All You Need》提出Transformer架构，重塑AI版图。其作者“Transformer八子”中，Lukasz Kaiser加入OpenAI，参与GPT-4、GPT-5等研发。他10月将出席大会分享见解，曾预言多模态等趋势已渐成现实。
用视频存储文本的黑科技！
memvid-rs是memvid的Rust重实现，可将文本文档编码为视频二维码实现存储和检索。它有高性能、用TRUE机器学习等特点，兼容多格式、跨平台，无需安装，适合存档文本语料库等。
国产大模型「五强争霸」，决战AGI！
中国基础大模型市场形成「基模五强」格局，包括字节、阿里、阶跃星辰、智谱和DeepSeek。它们要么有钱，要么有人，各有特色与优势。未来竞争焦点是追求更高「智能上限」和突破「多模态能力」，决战AGI。