搜索：多模态文档处理

「多模态文档处理」共找到 2012 篇相关文章

阿里发布信息检索Agent，可自主上网查资料，GAIA基准超越GPT-4o | 模型&数据开源

阿里发布WebDancer信息检索Agent，能自主上网查资料。它具备多步推理等能力，采用四阶段训练范式，模型和方法已开源。在多个基准测试中表现优异，突显处理复杂任务的鲁棒性和有效性。

Google推出LightLab项目，可从单张图像精准控制光影，解决传统光影控制难题。其通过特殊数据集微调扩散模型，让模型学会控制光照，还介绍了方法、后处理流程等，实验显示表现优，有多种应用。

OpenAI推出安全专用模型GPT-5.6-Cyber，用于处理信息安全任务。它战绩斐然，发现诸多内核漏洞。Daybreak计划为安全人员提供工具。该模型虽有不足，但展现出强大的网络安全能力。

UC伯克利EECS系主任Jelani Nelson暂离大学，加盟Anthropic预训练团队。他算法课播放量超2100万，研究聚焦大规模数据高效处理，这正是A社所需，此前他还在谷歌兼职。

阿里发布原生流媒体端到端模型Wan - Streamer v0.1，能实时聆听、观看、思考、说话和响应视频。它在单个Transformer内完成感知等操作，延迟低，具备端到端多模态统一、低延迟等特点。

今天给大家安利GitHub上开源神器Voice - Pro，它原本是商业付费软件，因团队无暇管理而开源。整合多个先进语音模型，将视频处理流程打包成本地软件，免费且功能强大。

作者黄益贺分享AI OS搭建思路。其系统以Claude Code为框架、Kimi K2 Thinking为模型，通过Skill和自定义命令满足工作需求，设计三层文件夹体系处理信息，供大家参考搭建。

桌面智能体Bytebot是拥有专属计算机的人工智能，有完整虚拟桌面。它能使用任意应用、处理文档等。赋予AI独立计算机可解锁新能力，项目地址为https://github.com/bytebot-ai/bytebot。

今天凌晨2点，麻省理工学院分享突破性研究Alterego。它是可穿戴无声语音交互AI设备，通过捕捉神经肌肉信号实现无声沟通，处理后用骨传导耳机反馈结果，应用场景广泛，还能帮助残疾人交流。

在复杂视觉场景中，传统RGB - IR多模态检测方法在低照度等场景下因RGB退化影响检测效果。北航等团队提出的InfraNet，以红外为主，用质量感知机制控制RGB引导，在多数据集取得强竞争力结果。