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10000篇文章

一文深度解读多模态大模型视频检索技术的实现与使用

多模态表征大模型能够将文本、图片、音频、视频等内容转换成高维空间中的向量表示，也称为嵌入（embeddings）。

2024-01-25

服装行业多模态算法个性化产品定制方案 | 京东云技术团队

diffusion：AIGC海量出图，设计师选图——好看 • 新视界设计：畅销服装版型+潮流图样，设计好看、好穿、好卖的服装三、技术突破畅销服装版式数据库构建 • 自研服装识别模型对服装图片进行多模态智能分析

2023-08-08

【CV学霸开讲】卷积神经网络压缩、多模态的语义分析研究

陈师哲同学在“多模态情感识别”和“视频内容自然语言描述”研究方面取得了突出的研究成果，在领域顶级会议和期刊发表论文十余篇，并在多项高水平学术竞赛中取得优异成绩，表现出很强的科研能力、实践动手能力和科研潜力

2018-01-25

【阿里ICCV论文技术解读】基于层次化多模态LSTM的视觉语义联合嵌入

精准描述商品：计算机视觉和自然语言处理的联合近年来, 随着深度学习技术的快速发展, 人们开始尝试将计算机视觉(Vision)和自然语言处理(Language)两个相对独立的领域联合起来进行研究, 实现一些在过去看来非常困难的任务，例如“视觉-语义联合嵌入(Visual-Semantic Embedding)”。该任务需要将图像及语句表示成一个固定长度的向量，进而嵌入到同一个矢量空间中。这样，通过该空间中的近邻搜索可以实现图像和语句的匹配、检索等。视觉语义联合嵌入的一个典型应用就是图像标题生成（Image Captioning）：对于任意输入的一张图像, 在空间中找到最匹配的一句话, 实现图像内容的描述。在电商场景下, 淘宝卖家在发布一件商品时, 该算法可以根据卖家上传得图片, 自动生成一段描述性文字, 供卖家编辑发布使用。再比如，

2017-10-24

浅析APP控件：模态弹窗与非模态弹窗

浅析APP控件：模态弹窗与非模态弹窗在手机app应用中各种格式的弹窗效果相信大家都看过，此次分享就来谈谈关于app弹窗设计以及弹窗的适用情景。

2018-08-31

deepwork 你的工作助手，增加多种文档解析器，复杂文档、图片混排全不怕

从 openclaw 开始，公司老板们经历了一场又一场的热潮，deepchat 也跟随升级为 deepwork，开始探索企业数字员工助手本次更新：提供多种文档解析器，复杂文档、图片混排全不怕

2026-06-08

数字人、AI 口播、异兽、舞蹈与绘画：多模态内容生产工程化实践

多模态 AIGC 内容生产的核心不是“单点生成”，而是把数字人、AI 口播、AI 异兽、AI 舞蹈、AI 绘画串成一条可复用流水线：脚本 → 分镜 → 图像 → 视频 → 音频 → 合成 → 审核 →

2026-10-15

工业AI Agent：从“单点质检”到“多模态工艺闭环与OT系统原生集成期”

既然前述硬科技赛道已覆盖，2026年真正被低估、却决定制造业智能化天花板的，是工业AI Agent。这一年，该领域彻底告别了“大模型+知识库=智能助手”的Demo叙事期，进入了 “PLC/DCS协议原生适配、毫秒级控制回路闭合、工艺知识可验证沉淀” 的工程深水区。西门子Industrial Copilot在宝马工厂实现焊接参数自适应调整且缺陷率下降40%，中控技术SupOS-Agent接入万华化学MDI产线完成异常工况自主处置，创新奇智、格创东智等国产Agent平台通过OPC UA over TSN认证并部署于半导体封测环节；更关键的是，工信部发布《工业人工智能体系统安全与互操作规范（2026）》，首次将“控制指令响应时延、人机协同置信度阈值、OT网络隔离合规性”列为准入硬指标，意味着行业评价标准从“能不能对话”转向“能不能控设备、能不能扛干扰、能不能信得过”。

2026-10-10

Codex + Seed-2.1-pro 实测：多模态理解 + Coding Agent 能扛住真实仓库吗?

前阵子在改一个拖拽布局的问题——react-grid-layout 的 Issue #2161：开发者给新卡片设 y: Infinity，希望它排到最底下，结果在 horizontal 和 null 两种模式下，新卡片直接跑到了网格左上角，盖住了已有内容。页面上一眼就能看出问题，代码里却要绕好几步。正好看到火山方舟的 Seed-2.1-pro 推了 0915 这一版的升级，就想着把它接进 Codex CLI 试试，看这个真实 Issue 能不能修。

2026-09-26

DeepSeek 开源的第一个多模态模型，不是拿来「看图说话」的

8 月 31 日，DeepSeek 在 Hugging Face 上线了 DeepSeek-V4-Flash-Vision-Exp，MIT License，V4 家族第一款实验性多模态模型。

2026-09-01

多模态大模型：打破“文字的牢笼”，让AI第一次睁开双眼

这种多感官融合的认知能力，是智能的重要底色。

2026-08-31

专访罗长才：GEO工程落地与多模态数字化实践的技术解构

本次专访邀请GEO高级优化师、落地工程师罗长才，从技术底层逻辑出发，拆解GEO在实体确权、多模态适配及垂类场景中的工程化落地路径。

2026-08-28

DeepSeek Harness 公测一周迎来多模态大招，纯文本模型也能“看图”了

14 项更新，多模态是重头戏。

2026-08-21

基于Python与LangChain构建多模态RAG系统：从向量检索到视觉问答的实战

传统RAG系统仅处理文本，但企业文档中50%以上信息以表格、流程图、截图形式存在。若直接丢弃非文本数据，会损失大量语义信息。

2026-08-13

视频理解RAG：从视觉感知到时序多模态检索系统的架构设计

根据 IDC 发布的数据预测，到2025年全球数据总量将超过 180 ZB，其中大量增长来自：

2026-07-23

. | 面向复合材料设计的序关系感知多模态表示学习

然而，现有多模态学习方法主要面向晶体和聚合物材料设计，通常假设材料结构与性能之间具有离散映射关系，难以处理复合材料连续、非线性的设计空间。

2026-07-21

Google Gemma 4：把多模态、推理和端侧效率塞进一套模型

大模型的升级，常被简化成一场参数竞赛：更多参数、更高分数、更贵的推理。但 Gemma 4 技术报告给出的方向恰好相反——真正困难的，是让模型同时更会推理、更懂图像与声音，还能在不同硬件上跑得动。

2026-07-17

OpenAI又走了一员大将，这次腾讯要的是多模态命脉

雷峰网7号晚上先捅出来的，说OpenAI前研究员田永龙已经加入腾讯。第二天一早，澎湃新闻从腾讯相关负责人那里拿到了确认。36氪、IT之家、凤凰科技全部跟进。到中午的时候，连意大利语和韩语媒体都在报。

2026-07-13

NEO-unify：原生架构打造端到端多模态理解与生成统一模型

商汤科技联合南洋理工大学，提出一种全新的架构范式：NEO-unify（preview）当前多模态智能架构困境长期以来，多模态研究已形成一种默认范式：视觉编码器（Vision Encoder, VE）

2026-04-01

清华等联合发布 UltraRAG 2.1，全球首个基于 MCP 架构的多模态 RAG 框架

该版本彻底简化多模态智能检索系统的构建流程——研究人员仅需编写几行YAML配置文件，即可实现多阶段推理、生成与评估，无需一行代码，大幅降低技术门槛。

2025-11-12

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。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

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。