「视觉文档检索」共找到 1171 篇相关文章
中大 × MBZUAI重磅开源！A₁：全透明高效 VLA 模型，机器人实时控制成本直降 76% 丨CVPR 2026 Findings
开放世界机器人操作被大模型算力成本和推理延迟难题困住，中大与MBZUAI团队推出全开源的A₁模型，其自适应推理方案降低推理延迟和骨干计算量，性能超主流基线，打破‘高性能=高成本’魔咒。
生成式推理再排序，可能会是LLM4RecSys的新突破口吗？
Meta AI研究者尝试把推理模型引入推荐系统再排序阶段。论文通过监督微调等赋予模型推理能力，超LLM4Recsys标杆。中期内化物品语意ID，生成推理路径，推理赋能再排序，披露重排序提升空间。
一个App管好所有Agent技能，Chops来了
Chops是一款macOS应用，能自动发现所有AI coding agent的技能文件，支持Claude Code、Cursor等工具。功能丰富，技术栈纯粹，需macOS 15 Sequoia及以上，下载地址和文档在GitHub。
融资千万的 Violoop ，要做中国版的「硬件龙虾」
AI科技公司Violoop创始人何佳霖，想做中国版“硬件龙虾”，让AI 24小时为人类打工。其产品是手掌大小桌面硬件，3月12日完成数千万元融资，将用于产品落地等。团队最初尝试纯软件路线，后因安全等问题转向硬件。
让龙虾看懂屏幕！谷歌多模态新成果，文本图像视频音频进同一空间
谷歌发布首个原生多模态嵌入模型Gemini Embedding 2，将文本、图像、视频、音频和文档映射进同一嵌入空间，支持多模态混合输入，为AI Agent“看懂”世界提供关键基础，已展开公测。
如何训练VLA？丰田研究院发布史上最大实验规模「保姆级」教程
丰田研究院和清华大学发布教程，用大量数据训练89个策略模型并验证。聚焦Co - training，研究五大模态、三种策略，对比不同架构，揭示有效和无效模态，还探讨CoT推理及多方面实验。
小鹏加速冲向L4终局：对VLA架构「动刀」成关键一环
在辅助驾驶领域，端到端的VLA方法虽有效果，但面临中间层语言难以准确表达物理世界细节的问题。小鹏汽车去掉“语言转译”环节，推出第二代VLA，有跨代级驾驶体验，背后是底层技术架构重构。
刚刚，Anthropic分享了构建Skills的最佳实践
Anthropic获300亿美元融资，估值达3800亿美元，发布《The Complete Guide to Building Skills for Claude》指南。介绍Claude Skills本质、与MCP关系、应用场景、技术实现、设计模式及测试迭代方法。
智普入局OCR! GLM-OCR 0.9B 也杀进来了~
OCR是上古任务，如今大模型纷纷入局，用1B以下小参数模型搅动解析市场。GLM-OCR能做文本识别等，采用三级架构，有两阶段流水线及训练机制创新，在多场景表现出色。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。