「跨视角视觉理解」共找到 1460 篇相关文章
字节开源高效解析文档图像的新型多模态模型Dolphin，快速将复杂的文档图像转化为结构化数据。
字节开源新型多模态模型Dolphin，采用“先分析后解析”范式，能将复杂文档图像转化为结构化数据。它有卓越性能和多种特性，还提供安装、推理使用指南。
重磅！iPhone 端侧可部署 Gemma 4 了！完全零token消耗！
PhoneClaw 是运行在 iPhone 的本地 AI Agent，可离线运行 Google Gemma 4。它支持多模态，有隐私保障和灵活模型管理。文中介绍使用方法、自定义 Skill 方式、常见问题，还提及后续扩展计划。
不想买几百刀的 ChatGPT Pulse？这款开源替代 + 本地部署可以白嫖试试
MineContext是开源跨平台桌面应用，可把电脑操作变成“上下文记忆库”。它能自动收集信息、生成总结和待办等。有自动截屏、生成总结等功能，使用体验好，适合常忘工作内容的信息工作者。
腾讯把IMA知识库开源了！WeKnora支持Agent调用、MCP协议扩展，企业级RAG零成本落地
腾讯开源WeKnora，这是面向复杂异构文档的LLM框架，走完整RAG流程。它有Agent模式，支持多种知识库类型和格式，有Web UI。适合公司、研究者、开发者等，还给出了上手步骤和部署提醒。
AI大佬教你如何中顶会：写论文也要关注「叙事」
NeurIPS投稿截止不到一月，Google DeepMind的Neel Nanda发布机器学习论文撰写指南，旨在解决论文表达晦涩问题。指南涵盖理想论文精髓、写作关键要素、结构解析、流程建议及常见问题应对策略。
VLA动作预测必须经过LLM吗？TurboVLA仅0.2B参数，RTX 4090上跑出32Hz在线动作预测
近年来，VLA模型成通用机器人控制重要路线，但模型大、动作更新慢的矛盾凸显。华中科技大学联合华为提出TurboVLA，绕开大语言模型，形成V+L→A路径，降低成本，保持操作能力。
人大系团队、天使轮数千万元融资，境瞳科技给人类社会建一个「世界模型」
境瞳科技获数千万元天使轮融资，要给人类社会建「世界模型」。其社会模拟器已有超 1350 万个 AI Agent，是全球同类系统中规模最大、置信度最高的。社会智能赛道在硅谷已吸引大量投资，国内境瞳科技是该领域唯一产学研团队。
Lucide 1.0 发布，移除品牌图标，并缩减数百万个项目的包大小
Lucide 1.0 发布，它是开源图标工具包，是 Feather Icons 分支。此次移除品牌图标，缩减 lucide - react 包大小，还引入上下文提供程序等改进，社区反响有赞有弹。
NanoCoder：我把50万行的claude code核心机制浓缩成1000行，不可能学不会了吧！
Claude Code 源码泄露后，kimi Agent 团队何宇峰大佬的 NanoCoder 项目，用 950 行 Python 代码重写其核心机制。它实现 7 种关键设计模式，可助理解顶级 AI 编程 Agent 核心设计，还能按需修改。
DeepSeek、GPT、Qwen，所有大模型架构图都有，Karpathy：宝藏画廊！
大模型赛道热闹，架构创新多，理解困难且缺清晰架构图。AI 研究者 Sebastian Raschka 绘制主流大模型结构，整理成在线图谱「LLM Architecture Gallery」，方便研究者查阅对比。