搜索[多模态文档智能]结果-低调大师优秀个人博客

精选列表

搜索[多模态文档智能]，共10014篇文章

UltraRAG 2.1 正式发布：强化多模态 RAG 能力，支持更多后端框架

UltraRAG 2.0 框架示意图： UltraRAG 2.1 近日已正式发布，本次更新围绕原生多模态支持、知识接入与语料构建自动化、统一构建与评估的 RAG 工作流三大方向带来了核心增强：原生多模态支持

2025-11-11

vivo 发布蓝心 3B 端侧多模态大模型

在今天的vivo开发者大会上，蓝心3B端侧多模态推理大模型正式发布。

2025-10-10

Elastic 收购 Jina AI，强化开源检索与多模态 AI 能力

其开源社区活跃，研发重点在多模态嵌入、小模型和检索重排算法，已成为向量搜索和语义检索领域的重要创新者。此次并入 Elastic，意味着这些能力将进入更广泛的企业应用场景。

2025-10-10

全球首个深度推理+多模态大模型“紫东太初”4.0 发布

全球首个“深度推理+多模态”大模型——“紫东太初”4.0在2025东湖国际人工智能高峰论坛上正式发布。

2025-09-19

苹果开源长视频多模态大语言模型 SlowFast-LLaVA-1.5

苹果研究团队开源了适配版 SlowFast-LLaVA 模型，在长视频分析理解任务上表现超越更大规模模型。该模型通过双流架构优化视频处理效率，慢流以低帧率捕捉场景细节，快流以高帧率追踪动作变化，解决了传统模型逐帧分析导致的信息冗余与上下文窗口溢出问题。其 10 亿、30 亿和 70 亿参数版本在 LongVideoBench 等长视频基准测试中均创佳绩，10 亿参数模型在 General VideoQA 任务中达 56.6 分，70 亿参数模型在 Long-Form Video Understanding 任务中获 71.5 分，且在图像理解任务如知识推理、OCR 等方面表现出色。目前模型输入帧长限制为 128 帧，存在可能遗漏关键帧等局限。团队表示将探索内存优化技术提升性能。该模型基于公开数据集训练并开源，为长视频理解提供了新的高效解决方案。 https://github.com/apple/ml-slowfast-llava https://huggingface.co/papers/2503.18943

2025-08-25

从“字”到“画”：基于Elasticsearch Serverless 的多模态商品搜索实践

随着人工智能技术的飞速发展，用户对于搜索体验的要求早已超越了传统的关键词匹配。我们正处在一个从文本搜索向多模态、跨模态搜索演进的时代。

2025-08-13

迈向多模态数据集成的统一工具

本文将带你了解：SeaTunnel 是如何一步步迈向“多模态”，又是如何赋能今天的 AI 数据体系。为什么要支持多模态数据？曾经我们做数据同步，只需要处理订单表、用户表、销售表。但现在呢？

2025-08-12

我国科学家研究揭示多模态大模型概念表征机制

中国科学院自动化研究所与中国科学院脑科学与智能技术卓越创新中心的联合团队在《自然·机器智能》（Nature Machine Intelligence）发表相关研究，首次证实多模态大语言模型能够自发形成与人类高度相似的物体概念表征系统

2025-06-09

腾讯混元开源多模态定制化视频生成工具 HunyuanCustom

腾讯混元宣布正式推出并开源全新的多模态定制化视频生成工具 HunyuanCustom。

2025-05-09

新加坡国立大学计划推出多模态大模型 NExT-GPT

新加坡国立大学下一代搜索技术联合研究中心（NExT++）近日公布新计划——开发一款可以突破输入端多模态理解限制的大模型 NExT-GPT。

2023-09-12

阿里云开源通义千问多模态大模型 Qwen-VL

QwenLM/Qwen-VL 技术论文地址： https://arxiv.org/abs/2308.12966 Qwen-VL以通义千问70亿参数模型Qwen-7B为基座语言模型研发，支持图文输入，具备多模态信息理解能力

2023-08-25

WorkBuddy 多模态创作实战：一句话生图、批量改文档、自动出报告，一个工作台全搞定

# WorkBuddy 多模态创作实战：一句话生图、批量改文档、自动出报告，一个工作台全搞定 > 很多人用 WorkBuddy 还停留在「问答」阶段。

2026-08-03

端侧AI+多模态融合：宠物智能设备中猫狗识别的工程化挑战与破局思路

将猫狗识别算法应用于宠物智能设备，是AIoT领域一个极具价值的垂直方向。它的本质不是简单的图像分类，而是一套融合算法、硬件、软件与用户体验的系统工程。

2026-10-10

中启联信AI编目系统架构设计与实践：基于多模态AI的媒体智能编目解决方案

在媒体行业数字化转型的大背景下，各级广电机构、内容平台、政企宣传部门积累了海量的音视频素材。这些素材是宝贵的内容资产，但长期以来面临着"存得下、找不到、用不快"的困境。传统人工编目模式效率低、成本高、颗粒度粗，已经无法满足媒体行业对内容资产高效管理的需求。

2026-09-14

让医生不用写代码轻松用AI——东软多模态医学人工智能平台重塑医学科研范式

把AI开发从“写代码”变成“搭积木” 东软推出的“探索多模态医学人工智能平台”，核心要解决的就是一件事—&mdash

2026-07-10

延迟只多 0.8 毫秒，检索质量涨 2.92%：抖音 DME 怎么让多模态检索又快又准

💡 一句话总结：抖音搜索团队提出 DME，用"隐式 latent reasoning + 跨条件重建"两个训练期机制，让多模态嵌入在不增加推理延迟的前提下既快又准，还提出 acc@K 指标证明嵌入向量能解码回文本

2026-08-12

EmbeddingGemma 2：740M 参数的多模态嵌入模型，支持本地推理

Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构的 740M 参数多模态嵌入模型。

2026-10-07

多模态与视觉大模型深度实践：从架构解析到微调部署

当前主流多模态大模型普遍采用 “视觉编码器 + 跨模态投影层 + 大语言模型” 的三段式架构。

2026-09-03

DeepSeek Harness rc.8：把多模态输入接进可插拔 Agent 工程

很多 Agent 项目卡在同一个地方：模型会回答，工具也能调用，但一旦任务同时涉及截图、日志和本地文件，开发者就得自己拼接上下文、维护多个子代理。DeepSeek Harness v0.1.0-rc.8 的价值，不只是“又发了一个版本”，而是把这些工程问题继续收敛到一个可替换的 Harness 层。

2026-08-25

DeepSeek V4-Flash 补上视觉能力，多模态 Agent 接近 Opus 4.8

而在需要视觉理解的 Agent Benchmark 上，Vision-Exp 相比 V4-Flash 实现了大幅跃升，多模态 Agent 能力已接近 Opus 4.8。

2026-08-21

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。