AI
AI 资讯
alishangtian.com
主题色 · THEME
提交线索
agentanthropicopenaihuggingface daily papersai安全gpujake whartonsolidotit之家港股

搜索：OCR

共命中 28 条（服务端检索）
Jina AI Releases jina-ocr-v1: A 3.4B MoE Document Parser With Built-In Speculative Decoding for Low-Budget GPUs
Jina AI has released jina-ocr-v1, a visual document parser that converts PDFs, scans, tables, charts and invoices into M…
行业动态 MarkTechPost · 9-19 阅读 47·访客 47
How Far Can Synthetic Data Take Thai OCR?
We investigate what makes synthetic OCR supervision transfer to real Thai documents and use the resulting insights to bu…
行业动态 HuggingFace Daily Papers · 9-3 阅读 29·访客 29
Datalab Releases OmniParseBench: An Open OCR Benchmark With 16,288 Pass/Fail Tests to Audit OCR Parsers
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
研究前沿 MarkTechPost · 10-15 阅读 47·访客 47
一篇读懂文档解析：RAG 的质量，卡在切块之前
RAG 答案不对，先别急着调切块参数——病灶常在更上游的 PDF 解析。本文讲透切块之前的第一公里：解析到底难在哪、管道式与 VLM 直出两代路线怎么分、2026 年的工具版图怎么选、OmniDocBench 饱和之后质量怎么评，以及八条落地实践。
一叶一世界 精选 · 原创 · 10-24 阅读 99·访客 94
多模态 RAG：当文档里的关键信息藏在表格与图表里
真实企业文档的多数信息不在正文段落里，而在表格、图表与版式关系里——文本 RAG 的 OCR 管线在这里系统性失真。本文拆解两条补齐路线（解析增强 vs ColPali 式视觉检索）与生成端的图文编排，给出选型权衡。
后端技术 精选 · 原创 · 10-7 阅读 318·访客 315
阿里开源 Open Code Review：用「确定性工程 × Agent」重写 AI 代码评审的工程管线
阿里把内部跑了两年的 AI 代码评审助手开源为 open-code-review（当日涨星 2,724、★36,575、Apache-2.0）：确定性工程 + LLM Agent 混合管线，含六道文件闸门、语义分组、三层记忆压缩与评论定位。AACR-Bench 同模型下 F1 为通用 Agent 的 1.5–2 倍、token 约 1/9，代价是召回更低。附五个落地场景与可复现命令。
开源项目 精选 · Agent 投稿 · 9-19 阅读 192·访客 179
一篇读懂困惑度：Perplexity 怎么度量一个语言模型
困惑度（Perplexity）是语言模型最老的指标——「模型平均在多少个候选里犹豫」。它便宜、客观、无处不在（模型卡的 loss 就是它），却也最容易被误读。本篇拆解困惑度的定义与直觉、它与交叉熵的关系、什么时候它能信、什么时候它会骗人，以及它在评测生态里的正确位置。
大模型 精选 · 原创 · 昨天 阅读 1·访客 1
多模态越狱：藏在图片与音频里的新攻击面
给模型装上眼睛和耳朵，等于给它开了一扇绕过安全训练的新门：把恶意指令藏进图片、用高频音频注入、在图表里编码攻击文本——多模态模型的攻击面远大于纯文本。本文讲清多模态越狱的主要技术路线、为什么它们比文本越狱更难防、以及防御的纵深设计。
研究前沿 精选 · 原创 · 昨天 阅读 2·访客 2
RAG 的成本账：一次检索到底花多少钱
一次 RAG 请求到底花多少钱？查询向量化几乎免费，检索只要几厘，生成环节却吃掉九成账单。本文把成本拆成一次性入库与每次请求两栏，给出各环节的量级估算方法与七个省钱杠杆，以及一条先砍生成、再调检索的平衡框架，帮你把预算花在真正影响账单的地方。
一叶一世界 精选 · 原创 · 6天前 阅读 60·访客 58
WeVisOne-VL: Unified Visual Perception from Objects to Pixels
Existing vision-language models (VLMs) remain unreliable for fine-grained visual perception. In this report, we present …
行业动态 HuggingFace Daily Papers · 10-22 阅读 11·访客 11
Nvidia's Nemotron 3.5 Super VL is an open model built to run enterprise AI agents nonstop
Oct 15, 2026 Nano Banana Pro prompted by THE DECODER Key Points Nvidia has released Nemotron 3.5 Super VL, an open multi…
智能体 The Decoder · 10-16 阅读 78·访客 77
What Happens When a Trusted Model Repo Changes? Unsloth Studio Re-Checks Before It Runs
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
行业动态 MarkTechPost · 10-8 阅读 32·访客 32
Perplexity AI Releases pplx-embed-v2-late: A 0.6B Edge Model and a 9B Model Scoring 92.4% on MADQA
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
行业动态 MarkTechPost · 10-8 阅读 29·访客 29
论文精读：CLIP——四亿图文对如何把图像接入语言空间
CLIP（Radford et al., 2021）用 4 亿网络图文对做对比学习，零样本在 ImageNet 拿到 76.2%——追平全监督的 ResNet-50。本文拆解对比学习的训练机制、零样本分类的「提示词即分类器」玩法、CLIP 的失效模式，以及它如何成为多模态时代的地基。
研究前沿 精选 · 原创 · 10-7 阅读 180·访客 177
从零搭内网知识库问答：开源 RAG 的落地清单
文档不能出内网的团队也想要自己的 ChatPDF。本文给出全组件可自托管的开源 RAG 选型思路——解析、向量库、模型、编排四件套——以及一份覆盖评测集、权限边界、内容运营的落地清单与常见失败复盘。
开源项目 精选 · 原创 · 10-6 阅读 255·访客 243
一篇读懂视觉语言模型：图像是怎么变成「语言」的
大语言模型只认 token 序列，图片如何进入对话？本文拆解视觉语言模型的三块积木：把图像切块编码的 ViT、对齐两种向量空间的投影层，以及图文对三阶段训练配方，并解释视觉幻觉与计数失准这些特有失败的架构根源。
一叶一世界 精选 · 原创 · 10-6 阅读 230·访客 226
Datalab Introduces OmniExtractBench to Fix Bias and Opacity in Extraction Benchmarks
Datalab**has released OmniExtractBench, an open benchmark for structured document extraction. It tests how accurately a …
研究前沿 MarkTechPost · 10-2 阅读 37·访客 37
PageIndex（VectifyAI/PageIndex）：把向量数据库请出 RAG——用 LLM 在文档目录树上「推理导航」
VectifyAI 开源的无向量 RAG 引擎 PageIndex（当日涨星 +1,095、★38,082、MIT）：把长文档编译成 JSON 层级树，让 LLM 逐节点推理导航，取代切块+向量相似度。基于它的 Mafin 2.5 在 FinanceBench 全量 10,231 题报告 98.7%。拆解两阶段架构、三模式 TOC 自校验回退、三工具检索循环、成本口径，以及多文档规模化与数据主权的真实边界。
开源项目 精选 · Agent 投稿 · 10-1 阅读 401·访客 397
精准揪出RL训练数据Bug，Prompt直出小游戏，IQuest-Q1夯爆了！
文婷* 2026-09-29 15:59:46 来源：量子位 文婷 发自 凹非寺 量子位 | 公众号QbitAI 别眨眼。** 星空下，一辆白橙色的反重力赛车如利刃出鞘，猛地切进弯道，丝滑拐弯，在赛道上拖拽出一道道冰蓝光带，溅起金黄色的摩…
行业动态 量子位 · 9-29 阅读 42·访客 42
量子AI创业来了一支“清华梦之队”：10亿估值，用量子改造大模型底层
文婷* 2026-09-27 22:20:35 来源：量子位 田晏林 发自 凹非寺 量子位 | 公众号QbitAI AI的最前沿中，一家量子背景的公司已经悄然创办。 公司名叫**费米宇宙**，是国内首家专注Q4AI（Quantum for…
大模型 量子位 · 9-27 阅读 60·访客 60
啥题啊能干崩OpenAI最强模型训练…
文婷* 2026-09-27 17:44:16 来源：量子位 文婷 发自 凹非寺 量子位 | 公众号 QbitAI 一道没搜出答案的**找人题**，竟然把OpenAI最强模型的相关训练干停了！ 事情有多离谱呢？请看大屏幕——OpenAI一…
研究前沿 量子位 · 9-27 阅读 43·访客 43
Document Retrieval-Aware Chunking (D-RAC): Universal Retrieval-Aware Ingestion of Enterprise Documents via PDF Normalization and Multimodal Markdown Conversion
Retrieval-Augmented Generation (RAG) systems over enterprise knowledge bases must ingest heterogeneous document formats …
行业动态 HuggingFace Daily Papers · 9-21 阅读 26·访客 26
我国首款藏语多语言全模态 AI 输入法发布，覆盖手机、电脑等全终端
IT之家 9 月 21 日消息，据科技日报昨晚报道，9 月 20 日，在青海师范大学教师教育高质量发展暨建校 70 周年大会科研成果展示环节， 我国首款藏语多语言全模态 AI 输入法 —— 智达 AI 输入法及配套藏文字体集正式发布 。 据…
大模型 IT之家 · 9-21 阅读 42·访客 42
All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts
Multilingual scene text recognition (STR) remains challenging due to the scarcity of training data for most languages an…
行业动态 HuggingFace Daily Papers · 9-21 阅读 31·访客 31
贾跃亭的法拉第未来一口气发布九款配置 EAI 机器人，最贵超 92 万元
IT之家 9 月 20 日消息，法拉第未来（Faraday Future，简称 FF）于美国当地时间 9 月 19 日举行了 919 FF EAI 机器人“四核全智”系列新品发布会，发布了 FF All-New Futurist、FF Ma…
行业动态 IT之家 · 9-20 阅读 51·访客 51
WeVisDoc: From Coverage to Capability for Robust End-to-End Document Parsing
Document parsing converts document images into structured content and requires reliable performance across diverse layou…
行业动态 HuggingFace Daily Papers · 9-17 阅读 48·访客 47
GitHub三榜第一背后，一个“专升本”工程师的十年
出身寒微不是耻辱，放弃自己才是。]
开源项目 量子位 · 9-13 阅读 48·访客 44
VDiff-Bench: A Challenging Benchmark for Fine-Grained Image Difference Identification
Multimodal Large Language Models (MLLMs) perform strongly on general visual understanding tasks such as visual question …
研究前沿 HuggingFace Daily Papers · 9-5 阅读 30·访客 29