「多模态长文档视觉问答」共找到 1659 篇相关文章
从BERT到T5再到Qwen3：关于Embedding的八点总结
哈工大30+页综述聚焦通用文本嵌入（GPTE），系统介绍其架构、数据、模型，探讨预训练语言模型（PLM）给GPTE带来的基础能力与高级扩展，还涉及多模态、多语言、代码嵌入等应用。
3D-R1：让AI理解3D世界的下一步
文章介绍新研究3D - R1，它是更通用、具推理能力的三维视觉语言模型，解决了当前3D VLM空间理解不足与推理能力薄弱问题，在多任务测试领先，有广阔应用前景。
Qwen3.8-Flash：全新架构，更强更稳更划算
本文介绍了 Qwen3.8-Flash 多模态 MoE 模型，它原生支持 262,144 token 上下文。该模型在 Attention、Residual、Embedding 与 Optimization 四个方面系统升级，降低训练与推理成本，即将上线千问 AI 平台。还发布了 Qwen3.8-Flash-Next 开源权重。
字节Seed团队发布Seed1.5-VL，用仅20B活跃参数在60个主流测试中狂揽38项第一！
字节Seed团队发布Seed1.5-VL，仅200亿活跃参数就在60个主流测试中获38项第一。介绍其架构、预训练、后训练等情况，评估表现出色，虽处理复杂场景有局限，但仍在多模态任务取得显著进展。
【展讯】不止观看：澳门当代摄影展｜三影堂北京
本次《不止观看：澳门当代摄影展》汇集孙彦等13位澳门艺术家的创作，他们突破传统影像边界，将澳门多元文化转化为视觉文本。展览作品探讨摄影与城市、文化、技术等关系，呈现从传统到AI的多元脉络。
不吹不黑，在Agent任务上，kimi 2.6确实让我忘了Claude。
Kimi K2.6发布并开源，代码和Agent能力提升。作者测试发现，它在部署Claude Code源码、网站生成、多智能体任务等方面表现出色，审美提升，思维活跃，还能复刻文档风格，开源释放了前沿编程能力。
快手可灵也吃上了香蕉，一通离谱prompt测试，好好玩要爆了
ChatGPT发布三周年，快手可灵AI视频「O1模型」登场，号称“全球首个统一多模态视频模型”。实测显示它能一站式搞定视频修改、镜头延展等操作，还推出了图片O1模型，在图片生成方面表现出色。
Rex-Omni：用 3B 模型颠覆目标检测
长期目标检测依赖传统坐标回归模型，MLLMs方法存在不足。IDEA研究院提出30亿参数的Rex - Omni多模态大模型，在零样本测试中表现超现有回归模型，还具备丰富语言理解能力，有独特设计和训练流程。
ImageNet作者苏昊被曝任教复旦
ImageNet作者之一苏昊被曝要去复旦任教。他是具身智能领域论文被引次数最高的华人学者，主导多个奠基级项目。他研究从语言到2D、3D视觉，再到机器人，还创办具身智能公司Hillbot。
腾讯混元发布并开源图像模型 2.1，支持原生 2K 生图
9月9日深夜，腾讯发布并开源混元生图模型“混元图像2.1”，支持原生2K高清生图，综合能力领先。它在多方面升级，有诸多亮点，评估显示效果优，还同步开源文本改写模型，能满足多样视觉需求。