搜索：多模态长文档问答

「多模态长文档问答」共找到 1302 篇相关文章

AAAI 2026 Oral｜InfiGUI-G1模型来了，刷新GUI Grounding SOTA

多模态大语言模型发展下，GUI Grounding任务是难题，现有RLVR方法有瓶颈。浙江大学等团队提出AEPO框架，推出InfiGUI - G1系列模型，小参数量刷新GUI基准测试SOTA，代码已开源。

12月21日，通用人工智能公司MiniMax通过港交所上市聆讯。其员工年轻，研发成本仅为OpenAI的1%，收入猛增，产品覆盖多模态。此次聆讯或倒逼行业转向“经营叙事”，加速行业分化。

研究人员发布医疗健康AI智能体全面综述，梳理其全生命周期。数据显示截至2025年相关论文较2024年增超130%。研究前沿在数据、技术、应用上扩展，同时指出面临的挑战与未来方向。

字节跳动抖音SAIL团队联合港中文MMLab提出SAIL - Embedding，专为大规模推荐场景设计，实现视、文、音统一表征，解决传统多模态模型局限，在抖音业务场景效果显著，相关技术报告已公开。

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。

LMArena最新榜单显示，腾讯「混元图像3.0」在文生图任务中夺冠，碾压谷歌Nano banana和字节Seedream 4。它9月28日开源，性能对标闭源模型，有强大推理、语义理解能力，支持中英文长文本渲染。

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。

加州大学圣地亚哥分校团队开发的DreamPRM-1.5在MMMU测评榜夺冠，超越GPT-5、Gemini 2.5 Pro Deep-Think。它细化加权粒度到样本，有Instance Table和Instance Net架构，采用双层优化与生成式奖励模型。

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。

开源版AlphaXIV可实现与arXiv论文智能对话，打破传统文献阅读壁垒。它利用微软Markitdown转换PDF，用MiniRAG索引内容，借助Google的Gemini API对话，还介绍了功能、问答流程、安装使用等。