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

实锤了，Meta 正式收购 Manus

近日，Manus 官网官宣“加入 Meta”。Manus 致力于打造通用 AI Agent，能处理复杂任务。这是笔待完成交易，未披露条款。Meta 在 AI 落地应用缺具象答案，收购它或是选已跑通逻辑的产品融入底层。

当前AI生成技术虽强，但视频创作仍门槛高、流程琐碎。昆仑万维推出全新SkyReels，是多模态创作系统，AI科技评论实测其画布、Agent等功能实用，它依托统一框架，核心竞争力在实现“统一性”。

作者用Claude Code调查其处理任务时冒出怪词的原因，发现这些词存于`UK5`对象，有88个动词 -ing 形式，硬编码在客户端。词中有常规、怪词、造词、俚语等，增添幽默。

英伟达、港大等研究人员提出新型视觉注意力机制GSPN，通过线性扫描和稳定性 - 上下文条件处理图像空间结构，降低计算复杂度至√N量级，在多视觉任务达先进水平，生成16K图像加速超84倍。

Anthropic的Alex Albert上播客揭秘Claude产研流程，涵盖模型规划、用Claude处理反馈、记忆“做梦”机制、性格训练等，还谈及AI对PM工作方式的重塑，以及单向门决策框架等内容。

字节跳动抖音SAIL团队联合港中文MMLab提出SAIL - Embedding，专为大规模推荐场景设计，实现视、文、音统一表征，解决传统多模态模型局限，在抖音业务场景效果显著，相关技术报告已公开。

文章实测阶跃星辰桌面Agent小跃，它能操作命令行，可自然语言驱动计算机功能，有悬浮球形态，能联网、搜索、处理表格等，还支持复用操作、定时任务，但也存在速度慢等不足。

菲尔兹奖得主陶哲轩分享，AI 在 Erdos 问题网站实验中，帮数学家发现六个原本标记为「未解决」的问题其实已被解决。他认为 AI 有价值的应用是处理枯燥日常工作，如文献搜索。

当前RAG系统处理多步逻辑推理任务有局限，蚂蚁集团团队提出DIVER框架解决推理密集型检索难题。它将检索任务分四阶段，在BRIGHT榜单领先，行业对比优势明显，医疗应用效果好。

上海交大与澜舟科技研究发现现有移动端GUI智能体处理复合长程任务能力不足，提出UI - Nexus测试基准和Agent - NEXUS调度系统，经实验能提升任务完成率，也为AI原生操作系统建立雏形。