「多模态理解」共找到 1546 篇相关文章
被DeepSeek带火的OCR，最新8个开源模型盘点~
DeepSeek-OCR发布让OCR大热，PaperAgent梳理盘点8个热门开源OCR模型，如DeepSeek-OCR用‘上下文光学压缩’技术，Nanonets-OCR2-3B以零样本视觉链式思维为核心等。
刚刚，OpenAI发布首个AI浏览器ChatGPT Atlas！谷歌最怕的来了
OpenAI发布AI浏览器ChatGPT Atlas，原生嵌入ChatGPT，有侧边栏、浏览器记忆与智能体模式，可在页面内理解意图并完成任务。谷歌股价应声下挫，AI浏览器之战升温。
秘塔AI放大招！「边想边搜边做」，内置20+智能体，想法一键实现
在AI浪潮下，搜索正经历重构。秘塔AI推出「Agentic Search」模式，「边想边搜边做」，可自主完成多步工具调用，内置20余种工具。通过5个场景展示升级，从读懂用户到美化结果、精准计算、打通工作流等，让搜索进化为「帮达成」。
苹果端侧AI两连发！模型体积减半、首字延迟降85倍，iPhone离线秒用
苹果在Hugging Face放出FastVLM与MobileCLIP2两条多模态主线。前者主打「快」，首字延迟压到竞品1/85；后者突出「轻」，体积减半。模型和Demo已开放，开发者可集成开发。
你以为百度慢了，其实它在走一条最难的路
2025 WAIC 上，百度展示多项成果。萝卜快跑获上海牌照、入选‘国家展’，商业化加速；慧播星推 NOVA 数字人技术；飞桨平台等也入选‘国家展’。百度构建全栈架构，把 AI 从炫酷变好用。
你的数字伴侣贝拉 (Bella)，正在唤醒!
贝拉是数字伴侣种子，愿景是成用户持久个性化伙伴。早期通过轮播视频呈现，采用AI原生开发路径，分感知核心、生成式自我、主动式陪伴三阶段构建，目标是成为由AI驱动的生命体。
Claude Code有救了，这个开源的GUI解决了很多使用体验问题。
Claude Code强大但命令行操作不便，缺少历史记录、回滚等功能。开源的Claudia GUI工具解决诸多问题，将命令行转化为图形界面，支持会话管理、检查点回滚等，性能优异且跨平台。
o3绞尽脑汁仅答对40%的题目，开源模型基本乱猜？MMSI-Bench：多图空间智能试金石
文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。
首创像素空间推理，7B模型领先GPT-4o，让VLM能像人类一样「眼脑并用」
当前主流视觉语言模型（VLM）依赖文本token间接翻译视觉信息，缺乏直接视觉操作能力。滑铁卢大学等团队提出「像素空间推理」范式，让VLM能像人类一样「眼脑并用」，在四大视觉推理基准测试中，7B的Pixel - Reasoner表现碾压GPT - 4o等。
Claude团队打开大模型「脑回路」，开源LLM思维可视化工具来了
Claude团队推出“电路追踪”工具，可生成归因图呈现LLM处理信息路径，支持在主流开源权重模型上快速生成。研究人员能借此解码LLM“决策逻辑”，官方还给出多语言电路等示例。