「多模态文档处理」共找到 2012 篇相关文章
Hermes 登顶 OpenRouter 之后，我才发现它最缺的那一块，被这个插件补上了
Hermes Agent 三个月登顶 OpenRouter，虽好用但记忆处理有缺陷，记忆库成大杂烩。记忆张量的 MemOS Local Plugin 2.0 可解决此问题，采用‘执行即学习’，有双层反馈机制，且资产可携带。
OpenAI公开未来路线图！具体到28年3月AI研究员将完全自主，奥特曼承认“关于GPT-4o我们搞砸了”
OpenAI完成组织架构调整后直播，公开研究目标时间表，2028年3月将实现AI研究员完全自主。奥特曼承认GPT - 4o问题处理搞砸。还介绍新架构，投入多领域研究，问答环节回应诸多疑问。
能自动把PDF转换为可填写表单的开源工具，实用可落地。
CommonForms是能自动将PDF转换为可填写表单的开源工具，通过检测文本框等自动添加交互字段。它基于YOLO11做目标检测，支持CLI和API使用，有多种功能特点，能高效处理转换。
DeepSeek-V3-0526 闪现后秒删！
Unsloth文档页面惊现DeepSeek新模型DeepSeek-V3-0526后秒删。该模型性能佳，团队还准备了技术描述。Daniel Han预测其可能端午节前发布，社区对此反应热烈，大家期待DeepSeek下一步动作。
北大DeepSeek论文或预定ACL Best Paper！梁文锋署名
北大DeepSeek联合发布的NSA论文已被ACL 2025录用且评分高，有望冲击最佳论文。该技术革新传统注意力机制，提升算力效率，是长文本处理的突破。此外，张铭教授团队还有多篇论文上榜。
“具身智能始祖公司”破产后卷土重来，这次团队做了一个会撒娇的毛茸机器人
具身智能始祖公司创始人科林·安格尔在公司破产重整后推出新公司 Familiar Machines & Magic，首款产品 Familiar 是仿生宠物机器人，有情感智能，能本地处理信息，团队希望它用于监护老人等场景。
GPT-Image-2正式发布！设计师可以告别「古法设计」了
OpenAI正式发布ChatGPT Images 2.0（GPT - Image - 2），它是首个具“思考”能力的图像模型，处理复杂任务能力强，实测在商品广告、论文海报等场景表现出色，已全量上线，在大模型竞技中领先。
无需租GPU，一台24GB内存的笔记本就够了!
阿里开源稀疏 MoE 模型 Qwen3.6-35B-A3B，总参数 35B，激活 3B。它在智能体编程上超越前代，可与稠密模型媲美，支持多模态，已在 Qwen Studio 上线，还能集成第三方编程助手。
SIGIR 2025 | 视频检索新范式！北邮、北大等联合提出AV-NAS：首个音视频哈希搜索架构，让Mamba与Transformer自动“组队”
北邮、北大等团队提出 AV-NAS，在多模态视频哈希领域引入 NAS，构建含 Transformer 与 Mamba 的统一搜索空间。该方法能自动发现最优跨模态融合机制，揭示音频时序建模中“CNN + FFN”结构更优，代码已开源。
三维空间太难懂？RoboTracer让机器人理解复杂空间指令，推理3D空间轨迹，开放世界也能精确行动
家庭环境复杂，让机器人理解空间指令难，现有VLM多聚焦2D推理。北航、北大等联合推出多模态大模型RoboTracer，能精准生成3D轨迹，在多项评测中领先，还能直接集成到机器人，完成复杂任务。