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

SpringBoot2编写第一个Controller，响应你的http请求并返回结果

结果如下图所示输出ModelAndView 由于ModelAndView用于输出页面的，所以我们需要配置SpringMvc的模板解析引擎，本次采用的模板解析引擎为Freemarker(对此模板解析引擎不推荐用

2025-09-05

面试大杂烩

如果系统线程数非常多，可以适当减小（如 -Xss256k）来节省内存，但可能增加栈溢出风险。

2025-09-18

一文详解多模态认知智能

摘要：多模态认知智能是AI人工智能当前发展的主流趋势之一，其核心是以多模态知识的获取，表示与推理为主要内容的跨模态知识工程与认知智能，也是为了更好的处理多模态的数据，需要融合多种感知模态和智能处理技术。

2023-04-26

Xtreme1 —— 多模态训练数据平台

Xtreme1是一个开源的多模态训练数据平台，支持多格式（图片、点云及2D/3D融合）的数据上传、标注和监管。它能够帮助算法工程师和科学家高效标注数据和训练模型。

2022-09-30

多模态 AI 模型的商业应用场景

多模态 AI 模型在将文本、图像、音频和视频整合到统一工作流程的业务中最为有用——营销、客户支持、产品开发和内容生产都是典型场景。

2026-09-29

AI 创作：从灵感辅助到多模态生产

AI 正在重新定义“创作”这件事。过去，写作、画画、作曲、剪辑、配音是不同技能，需要不同工具和长期训练。现在，一个大模型加上几款 AI 工具，就能让一个人完成从选题、脚本、配图、配音到成片的全流程。

2026-09-19

多模态测试工具深度对比：选型指南

用户可能用语音唤醒APP、拍照识别商品、上传手写笔记触发OCR+语义分析，甚至通过AR眼镜叠加实时翻译字幕——这些场景背后，是文本、图像、音频、视频、传感器数据等多模态信息的协同处理。

2026-09-09

LoVR：面向长视频的多模态检索基准

摘要：近日，北京大学与OceanBase联合提出的长视频多模态检索基准LoVR被WWW录用。

2026-02-26

OpAgent：登顶 WebArena 的多模态 Web GUI Agent

本文介绍了蚂蚁集团全模态代码算法团队自研的多模态 Web 智能体 OpAgent 。

2026-02-14

阿里云推多模态交互开发套件

阿里云正式发布多模态交互开发套件，旨在为智能硬件厂商提供“开箱即用”的AI能力底座。

2026-01-08

蚂蚁集团多模态 AI 应用“灵光”即将发布

据新浪科技消息，近日，一款名为“灵光”的全新多模态应用已在腾讯应用宝、vivo 应用商店等平台悄然上线，并开启邀约内测。用户可通过手机号或支付宝账号直接登录体验。

2025-10-24

阿里推出多模态深度研究智能体 WebWatcher

阿里巴巴自然语言处理团队宣布推出WebWatcher，这是一个开源的多模态深度研究智能体，旨在突破现有闭源系统和开源Agent在多模态深度研究领域的局限性。

2025-08-18

腾讯开源多模态统一 CoT 奖励模型

腾讯混元联合上海 AI Lab、复旦大学、上海创智学院，于近日正式推出了全新研究成果 —— 统一多模态奖励模型（Unified Reward-Think）。

2025-05-14

VLMs 多模态大模型当下进展与思考

紧接着在2023年3月，OpenAI发布了支持多模态输入的GPT-4，并展示了其强大的图像理解能力。

2024-07-05

韩国 Kakao 开源多模态大语言模型 Honeybee

韩国科技巨头 Kakao 日前表示，它已经开发了一种名为 Honeybee 的多模态大语言模型（MLLM），以扩大该公司在 AI 市场的影响力。

2024-01-19

苹果发布开源多模态大语言模型 Ferret

科技媒体 VentureBeat报道称，苹果公司在 2023 年 10 月低调发布了一款名为 Ferret 的开源多模态大语言模型，这是苹果与哥伦比亚大学研究人员的合作成果。

2023-12-25

详解：多模态知识图谱种类及其应用

图1.多模态知识图谱的发展过程多模态知识图谱与传统知识图谱的主要区别是，传统知识图谱主要集中研究文本和数据库的实体和关系，而多模态知识图谱则在传统知识图谱的基础上，构建了多种模态（例如视觉模态）下的实体

2021-03-05

演讲式 AI 陪练引擎设计：PPT 内容解析、翻页节奏感知与多模态评分的工程实现

对话陪练（销售话术、客诉处理）评估的是"说什么"——AI 扮演客户，看学员的应对是否得当，核心是内容与策略的匹配。演讲陪练评估的是"怎么说"——同样一份 PPT、同一篇讲稿，讲得流畅与讲得磕绊是两种结果，全程念稿与脱稿转述是两种水平，压着时间讲完与超时一半更是天壤之别。核心是表现与基准的偏离度。这个差异带来三个全新的工程问题：问题一：内容基准从哪来？对话陪练的基准是"标准应对话术"，通常几句话就够。演讲陪练的基准是"这 31 页 PPT 每页应该讲什么"——一份 31 页的方案汇报，全程应该讲 40 分钟，每页都有该覆盖的要点。基准必须做到页级粒度，否则评估无从谈起。问题二：翻页节奏怎么感知？现场演讲中"讲到哪页了"由演讲者翻页决定，AI 陪练要跟着学员的节奏走：学员说"下一页"，界面要翻页；学员第 3 页还没讲完就开始讲第 4 页的内容，AI 要知道当前应该停在第 3 页——否则"这一页漏讲了"的判定全部错位。问题三：表现质量怎么量化？ "讲得好不好"在人工评委那里是感觉，在 AI 这里必须拆成可计算的信号：语速（每分钟字数）、停顿（异常长停顿的次数与分布）、口头禅密度（"嗯""然后"的每分钟频次）、脱稿程度（演讲内容与 PPT 原文的逐字重合度）、时间管控（实际时长 vs 预算时长）。三个问题对应本文的三个核心模块：页级内容基准、翻页感知状态机、多维评分引擎。先看整体架构。

2026-10-14

2026多模态RAG“幻觉风暴”调查：跨模态对齐失效与语义锚点重构纪实

2026年7月，随着企业知识库全面进入图文音视频混合时代，多模态RAG（检索增强生成）成为大模型落地的标配。

2026-07-15

Qwen3-VL-Embedding & Reranker 开源，专为多模态信息检索与跨模态理解设计

阿里通义大模型团队正式开源发布Qwen3-VL-Embedding和Qwen3-VL-Reranker模型系列，这两个模型基于Qwen3-VL构建，专为多模态信息检索与跨模态理解设计，为图文、视频等混合内容的理解与检索提供统一

2026-01-09

基于多模态内容理解的智能SEO优化系统

在AI营销与GEO优化的实际业务中，内容优化早已不再是简单的关键词堆砌——搜索引擎的算法已经进化到能够理解语义、识别意图、评估内容质量的阶段。本文从零构建一套完整的智能SEO优化系统，涵盖关键词挖掘、内容评分、TF-IDF分析、语义相似度计算、内链优化建议、竞品对比分析全链路，代码量拉满，可直接用于生产环境。

2026-10-12

快手基于 Apache Doris 千亿多模态检索的实践

导读：大模型和 AI Agent 落地之后，多模态内容向量化与相似度检索逐渐成为大数据分析的基础能力。

2026-09-20

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

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。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

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。