「多模态文档解析」共找到 1374 篇相关文章
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
Feed-Forward 3D综述：三维视觉如何「一步到位」
这篇由12所机构联合撰写的综述论文，总结2021 - 2025年间数百项创新工作，建立Feed - Forward 3D方法谱系与时间线，介绍五大技术分支、应用场景、评测指标与结果，还指出未来挑战与方向。
手机操控革命！开源手机AI Agent，自然语言操控Android/iOS！
传统移动设备自动化工具难实现自然语言控制和跨应用交互，开源项目Mobile - Use提供解决方案。它由Minitap AI开发，能通过自然语言指令实现设备UI感知自动化，功能丰富，应用场景广。
美国航天局与谷歌合作，打造AI医疗助手，以保证宇航员健康
Techcrunch消息，美国宇航局NASA和谷歌合作开发AI医疗助手CMO - DA，保障前往火星的宇航员健康。它有多种模态功能，在谷歌云运行。经测试诊断准确性较高，未来还会增加数据源和情境感知能力。
每一幕皆可控！字节发布多主体视频生成神器，人人皆主角
字节发布多主体视频生成神器MAGREF，基于一张参考图像，能生成主体高度一致的视频，多人同台也不串脸。它采用三阶段数据处理流程，构建在DiT架构上，实现复杂视频生成任务。
AI开源狂飙，OpenAI们慌了！GenAI大洗牌，2025趋势深度解读
2025年，ChatGPT仍领跑，但DeepSeek、Qwen等开源模型加速追赶。独立机构报告总结六大趋势，涵盖技术突破与市场格局演变，如推理模型实用化、MoE架构普及等，开源势力挑战闭源巨头。
清华唐杰团队揭示大模型记忆全景
清华唐杰教授团队等发布大模型记忆架构综述，提出三维记忆分类学，将前沿工作统一到理论框架，为LLM设计指明方向，分析了隐式、显式记忆架构，还探讨混合架构挑战与未来方向。
一个中大型组织到底需要怎样的AI办公，这场闭门会说清楚了
今年初麻省理工报告指出企业AI投入大但多数试点难量化回报。6月9日金山办公举办闭门会，探讨企业级AI问题，指出其要过数据、知识、安全三关，还给出选场景、重数据等判断。
1.3万人收藏的 OpenHarness！港大开源轻量级 Agent 基础设施，兼容性拉满！
近期，香港大学数据科学学院团队开源项目 OpenHarness，它是 Agent 基础设施，有 Agent Loop、工具箱等亮点，功能特性丰富，支持多种大模型提供商，还提供多种安装和配置方式。
YC掌门人60天写了60万行代码，一个人干20人的活，他把方法论全开源了
Y Combinator总裁Garry Tan 60天写超60万行代码，将方法论整合成开源工具gstack。它把Claude Code变成虚拟工程团队，含15个角色和6个增强工具，可并行运行多个Sprint，还具备多种实用能力。