搜索：视觉文档检索

「视觉文档检索」共找到 1171 篇相关文章

Gemini 3「开眼」像素级操控！谷歌回应DeepSeek-OCR2

Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。

依图科技总裁段爱国在朋友圈宣布离开，已获公司同意。他2023年10月加入，任职时依图业务收缩、战略聚焦。此前他是华为机器视觉总裁，推动依图多领域发展。此次变动或暗示依图困境。

黑森林实验室发布开源的FLUX.2 Klein模型家族，是紧凑架构，将高质量图像生成与编辑速度压缩至亚秒级，在消费级显卡实现旗舰性能。其统一架构打破生成与编辑壁垒，还与NVIDIA合作优化。

沉浸式翻译是跨平台在线翻译工具，有网页、文档等翻译功能，获千万用户与Chrome年度殊荣。近期开源BabelDoc和OneAIFW，前者还原PDF排版，后者保护本地隐私，解决阅读和安全问题。

2025年8月微软宣布模型上下文协议（MCP）在Visual Studio正式可用，为AI智能体与外部工具连接提供一致协议。开发人员可配置文件连接，管理员能管理使用。但存在限制和安全风险。

上海人工智能实验室与中山大学联合研发的 Earth - Agent 解决了多模态大语言模型用于地球科学研究的痛点。它将领域知识工具封装化，利用 LLM 智能规划调度。经 Earth - Bench 评估，其在多方面表现出色，未来发展前景广阔。

桌面智能体Bytebot是拥有专属计算机的人工智能，有完整虚拟桌面。它能使用任意应用、处理文档等。赋予AI独立计算机可解锁新能力，项目地址为https://github.com/bytebot-ai/bytebot。

人工智能从‘感知’迈向‘行动’，具身智能成焦点。当前强化学习框架对具身智能支持受限，清华等机构联合开源面向具身智能的框架RLinf，提出混合式执行模式，设计灵活可扩展，在多方面表现出色。

科研等领域图表是信息核心载体，先进开源MLLMs在高难度图表理解测试准确率低。本文提出ECD数据集，规模大、质量高、风格多样，还设计合成流水线与评测基准ECDBench，为开源MLLM提供支持。

文章对比CAG和RAG，指出CAG虽解决RAG部分痛点，但有根本限制，对海量变化知识库，RAG不可替代。Aurimas将二者结合做「动态混合层」效果好，还给出实施架构和关键点。