搜索[多模态文档解析]结果-低调大师优秀个人博客

精选列表

搜索[多模态文档解析]，共10015篇文章

2025 年 Q4“方升-多模态”大模型基准测试结果发布

个多模态理解大模型、10个视频生成模型和10个图像生成模型。

2026-01-09

美团 LongCat 发布 UNO-Bench，统一的多模态模型基准测试

美团LongCat团队推出了UNO-Bench，用于评估多模态大语言模型统一能力的基准测试。

2025-11-06

LazyLLM教程 | 第13讲：RAG+多模态：图片、表格通吃的问答系统

基于 PDF 文档的多模态 RAG 以PDF文档为例，演示多模态RAG的整体实现流程。为了对PDF文档进行完整的嵌入，首先通过布局识别模型对文档段落、标题以及图标等其他元素进行识别和提取。

2025-11-03

SuperCLUE 多模态视觉 8 月评测榜：Gemini-2.5-Pro 位居第一

在8月28日发布的中文多模态视觉语言模型测评基准（SuperCLUE-VLM）榜单中，Gemini-2.5-Pro 以总分74.99分位居第一，OpenAI 的 GPT-5(high) 以68.59分排在第二位

2025-08-29

腾讯混元发布 52B 参数多模态理解模型 Large-Vision

腾讯混元团队近日发布了全新的多模态理解模型——混元Large-Vision，该模型采用腾讯混元擅长的MoE（专家混合）架构，激活参数达到52B规模，在性能与效率之间实现了良好平衡。

2025-08-13

Jina AI 开源多模态多语言向量模型 Jina Embeddings V4

Jina AI 宣布正式推出 jina-embeddings-v4，一款全新的多模态向量模型，参数规模达到 38 亿，并首次实现了对文本与图像的同步处理。

2025-06-26

多模态大模型视觉推理能力评估：o3 仅得 25.8% 分数

清华大学、腾讯混元、斯坦福大学及卡耐基梅隆大学的研究团队近日联合发布了一项新评估基准 ——RBench-V，专门针对多模态大模型的视觉推理能力进行测试。

2025-05-28

阿里通义千问开源端到端多模态模型 Qwen2.5-Omni

3月27日，通义千问宣布推出新一代端到端多模态旗舰模型 Qwen2.5-Omni。该模型现已在 Hugging Face、ModelScope、DashScope 和 GitHub上开源开放。

2025-03-27

多模态自动布局技术发展及其在淘内内容场的应用

尤其是在淘内内容场域，多模态自动布局技术能够辅助生成高质量的视觉内容，极大地提升了内容的产出效率。因此，研究和应用多模态自动布局技术在优化内容生产流程、提升视觉传播效果方面具有重要意义。

2025-03-12

苹果公布多模态大模型 MM1 ：具备 300 亿参数、MoE 架构

Arxiv 页面显示，苹果正式公布了自研多模态大模型 MM1，该模型提供 30 亿、70 亿、300 亿三种参数规模，拥有图像识别和自然语言推理能力。

2024-03-18

智源研究院发布 Emu2 —— 开源生成式多模态模型

2023年12月21日，智源研究院开源发布新一代多模态基础模型Emu2。

2023-12-22

带你读AI论文丨针对文字识别的多模态半监督方法

摘要：本文提出了一种针对文字识别的多模态半监督方法，具体来说，作者首先使用teacher-student网络进行半监督学习，然后在视觉、语义以及视觉和语义的融合特征上，都进行了一致性约束。

2022-12-22

页面布局左侧为菜单，菜单分为两级，一级表示模块，二级表示接口信息右侧为接口详细信息，主要包括：模拟测试功能，接口详细信息说明，请求参数说明，响应参数说明，自动一个演示的例子表明接口的使用方式如下图（图片拼接左侧菜单可能模糊或重影，凑合看）：演示页面布局页面操作左侧二级菜单可以双击修改，失去焦点时自动保存 image.png 左侧一级，二级菜单可以拖拽排序所有带 “编辑”按钮的地方都可以编辑保存，textarea编辑时可以带回车换行，自动记录你的文本格式请求参数和响应参数，本身是一个树结构，所有编辑的时候跟普通的编辑树一样操做，包括添加一级数据，添加子数据，修改，删除，保存等等，鼠标移入会有提示，如下图 5.如果需要给接口提供默认值，修改参数的默认值后，会自动重构json参数，方便测试代码使用在你的controller类上增加注解@Api("这里写模块名称")，这里一个@Api对应页面的一个一级菜单，即模块，模块可以由多个类组成，只需设置每个类的模块名称一样，程序会自动把模块名称一样的class组装成同一模块。

2018-09-19

OctaFuse Gateway 2.12.0：供应商账号管理、路由工作区与多模态入口发现

接入的模型和供应商多了，日常维护常常要在几个地方来回查：哪个账号还有额度，某个模型走了哪些路由，新模型应该用哪个接口。出门没带电脑时，临时处理配置也不方便。

2026-09-26

视觉发：从多模态融合架构到高效训练与推理部署的工程实践

视觉大模型开发：从多模态融合架构到高效训练与推理部署的工程实践，这绝非仅仅是将一张图片“喂”给大语言模型（LLM）那么简单。

2026-09-05

GEO多模态内容怎么做？图片、PDF、表格与视频如何被AI理解

GEO 多模态内容优化，是把图片、图表、PDF、表格、视频和代码截图中的关键信息，同时转换成机器可以发现、解析、定位和验证的文本与媒体结构。

2026-09-02

腾讯发布“混元图像 3.0”，首个开源工业级原生多模态生图模型

腾讯宣布推出并开源原生多模态图像生成模型“混元图像 3.0（HunyuanImage 3.0）”，参数规模达 80B。

2025-09-28

微软高管：下一代 Windows 深度整合 AI，实现多模态交互

他表示，未来的Windows将更具“环境感”，通过语音、语义理解等多模态技术，实现更自然的操作。例如，用户可直接通过语音与电脑对话，系统能理解上下文并智能响应。

2025-08-14

MNN LLM：让你手机本地也能跑 DeepSeek R1 还能支持多模态

这是一款开源工具，支持本地部署、移动端运行以及多模态处理（如文生图、语音输入等）。通过模型量化与硬件优化，MNN LLM显著提升了推理速度与稳定性，同时解决了下载困难的问题。

2025-04-21

面壁智能开源端侧多模态大模型：MiniCPM-Llama3-V 2.5

面壁智能开源了端侧多模态模型 MiniCPM-Llama3-V 2.5，且支持 30+ 多种语言。 MiniCPM-Llama3-V 2.5 是MiniCPM-V系列的最新、性能最佳模型。

2024-05-21

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。