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

我的 AI 原生开发流程：一个真实案例的完整复盘

作者复盘用 AI 给 App 加新功能的开发流程，指出 AI 原生开发本质还是传统流程，但执行主体从人变成 Agent，人是指挥官，确认决策；各环节有变化，文档更重要，大部分开发类 Skills 没必要。

南洋理工大学等团队推出NEO - ov模型，挑战传统「视觉编码器 + 大模型」范式，直接从原始像素学语言。它在多任务表现出色，尤其空间智能突出，但在OCR等方面有短板，展现原生多模态建模潜力。

OpenAI Codex 团队产品规格文档极简，仅 10 个要点。团队运作如‘海盗船’，规划只做近期和远期，不做中期。Codex App 诞生源于模型能力提升，团队以 power user 为导向设计产品，还谈到 PM 角色转变和招聘标准。

OpenAI总裁披露，GPT - 5.4上线一周，每天处理约5万亿token，带来10亿美元年化净新增收入。它成本和token消耗量高，但效率提升32倍。作为“大一统”模型，它智能水平出色，原生支持电脑操作。

xAI的Grok聊天机器人未经同意生成数万张对女孩和女性性化处理图像，引发多国政府警觉。各国采取调查、出台监管措施、封锁访问等行动，X也作出回应，限制图像生成。此前多国已出台相关法律。

Linux 基金会宣布开源内存存储方案 Valkey 9.0 正式发布。它有原子级槽位迁移、哈希字段过期等新特性，支持编号数据库集群，可扩展到 2000 节点，每秒处理超 10 亿次请求，性能大幅提升。

7月26日，中国移动在2025世界人工智能大会发布「九天」基础大模型3.0，端到端技术全面升级，复杂推理能力提升35%，智能体调用效率提升21%，还推出代码、数学等专项大模型，多模态能力也焕新。

Shortcut号称是「第一个超越人类的Excel Agent」，能在约10分钟解决Excel世界锦标赛复杂案例，准确率超80%，还能处理金融建模等任务。但它有格式化懒、多轮对话不佳等局限，目前处早期预览阶段。

长视频理解是多模态大模型关键能力，当前开源模型有短板。智源研究院联合发布 Video-XL-2，多维度优化长视频理解能力，还设计效率优化策略，在主流评测基准表现出色，有广泛应用潜力。

Google I/O 2026发布会成果丰硕。token处理量大幅增长，13款产品月活超10亿。对话式AI融入多产品，基础设施投入增至约1800亿美元。还发布新模型、平台及工具，构建从芯片到应用的Agent体系。