「多模态长文档视觉问答」共找到 1659 篇相关文章
轻量高效，即插即用：Video-RAG为长视频理解带来新范式
现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。
面向 AI Agents 的高性能数据基座：架构和工程实践
在 QCon 全球软件开发大会上，晨章数据创始人陈亮分享了面向 AI Agents 的高性能数据基座。他指出 AI Agent 驱动的应用带来数据挑战，提出多模态数据基座设计目标，并介绍工程实践，证明传统架构有 CPU 瓶颈。
我用MiniMax Agent开发了个带后端的全栈网站，全程0代码
2025年Agent成AI领域焦点，大厂纷纷布局。作者测试MiniMax Agent，发现其有四大特点：深度研究和上下文管理强，多模态输出出色，编程能力超预期，能执行定时任务，还能开发带后端的全栈网站。
视频版Nano Banana来了！内置Gemini世界知识；原版香蕉出图仅需4秒
谷歌开放Gemini Omni Flash API，将多模态推理与视频生成编辑结合，有4项关键能力，也有局限。Nano Banana 2 Lite出图快且便宜。二者串联使用，图像生成与视频创作可无缝衔接。
只看图片就能学会压缩Token！浙大&阿里新框架多轮VQA压缩率90%，精度不掉｜CVPR 2026
多轮视觉问答成LVLM推理效率“照妖镜”，现有压缩方法在多轮场景翻车。浙大宋明黎教授团队与阿里联合提出MetaCompress框架，可根据图像生成最优压缩映射，实验验证其效果优，能平衡压缩率与精度。
Sora没做到的，LongVie框架给解决了，超长视频生成SOTA
视频生成近年进步大，但生成超1分钟高质量长视频仍难。上海人工智能实验室等机构提出LongVie框架，解决时序不一致和视觉退化问题，还推出评测基准LongVGenBench，该框架在多项指标达SOTA。
vLLM 正式支持 PaddleOCR-VL
11月4日，vLLM项目宣布正式支持PaddleOCR-VL模型。该模型专注文档解析，参数量仅0.9B。合作降低部署门槛，推理效率更高，官方还给出部署指南和配置建议，流程快速完成可作榜样。
Qwen3-LiveTranslate：视、听、说全模态同传大模型！
Qwen3-LiveTranslate-Flash 是基于大语言模型的多语言实时音视频同传模型，依托 Qwen3-Omni 能力与海量数据，有多语言和方言支持、视觉增强等亮点，性能超主流大模型。
这款开源神器把Excel翻译卷出新高度！免费、无限文件大小、公式精准！
翻译大型或复杂文档一直是痛点，免费工具效果差或限制文件大小，付费成本高。infrost开发的DeeplxFile基于Deeplx和Playwright打造，免费、不限文件大小，擅长处理超长文本和复杂Excel公式，还能转PDF为可编辑文件。
19K star 霸榜，下一代的浏览器自动化神器！
做爬虫或Web自动化测试常因网页结构变动需重写脚本。Github上超火的Skyvern项目是基于浏览器的自动化代理，不依赖XPath或CSS选择器，用视觉识别结合大模型推理完成任务，已获19k+ star。