AI 助理
文档备案控制台

视觉智能开放平台

首页 标签 视觉智能开放平台
# 视觉智能开放平台 #
关注
16044内容
相关问产品
视觉智能开放平台
6794问题 99%回答率
相关子社区
视觉智能
13003内容 3活动 918关注
最新 热门 文章 问答 视频 训练营 活动
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
喂张白纸也能吐出证件号？文档 MLLM 的"关系级泄露"被测出来了
该文揭示文档多模态大模型在图像模糊/缺失时，会凭记忆成组泄露姓名、证件号等关联敏感信息（最高泄露率95.5%），首创动态关系遗忘框架DRUF，实现泄露风险趋零且不损正常抽取能力，为KYC等高敏场景提供可落地的隐私防护新范式。（239字）
# 视觉智能开放平台 # 人工智能 # 安全 # 数据安全/隐私保护
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
AutoDesign：让 Agent 自己改自己的 harness，40 分钟把论文变成会议海报
AutoDesign提出“元挽具优化”，将Agent的prompt、工具、流程等系统组件作为自动进化对象：外层循环优化系统，内层循环生成作品，模型权重不变。在论文转海报任务中，超越Claude Design 7.45分，验证了“弱模型+强系统”的高性价比路径。（239字）
# 视觉智能开放平台 # 人工智能 # 文字识别 # 算法 # 架构师 # 程序员
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
视频生成得很真，机器人却抓了个寂寞：DreamX-Phi 的几何药方
DreamX-Phi 1.0 创新性地将机械臂3D运动轨迹（SE(3)）直接嵌入注意力机制（PRoPE），解决视频世界模型“画面真、动作错”的核心痛点，在WorldArena 2.0视频预测赛道夺冠，兼具几何精度与推理轻量性。
# 视觉智能开放平台 # 机器学习/深度学习 # 机器人 # 定位技术
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
Grok 4.6：追平 GPT-5.6 Sol 的半价旗舰，但别只看跑分
Grok 4.6是xAI于2026年8月发布的1.5万亿参数大模型，专注长程智能体任务，AI指数61分追平GPT-5.6 Sol；回合效率领先（仅需53步），定价$2/$6（百万Token），但超20万Token即翻倍。
# 视觉智能开放平台 # 机器学习/深度学习 # 人工智能 # 缓存 # 开发者 # C++
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
DeepSeek V4-Pro 转正：号称追平 Claude Fable 5，但跑分只有一家在说
DeepSeek V4-Pro正式版（0813）上线，Agent能力跃升：DeepSWE达62.7（+5×），Terminal Bench 87.9，逼近Claude Fable 5；输入3元/百万Token、输出6元，成本仅其约1/46，但所有跑分尚未经第三方验证。
# 视觉智能开放平台 # 人工智能 # 缓存 # API # C++ # 内存技术
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
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
抖音搜索团队提出DME方法，创新性采用“隐式潜推理+跨条件重建”双阶段训练机制，在不增加推理延迟前提下显著提升多模态嵌入的细粒度判别力；首创acc@K指标量化嵌入信息完备性，实现在MMEB-v2等评测中SOTA表现。（239字）
# 视觉智能开放平台 # 机器学习/深度学习 # 人工智能 # 文字识别 # 自然语言处理 # C++
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
Q-CueGraph：你的多模态大模型会 zoom，但真的知道该看哪儿吗？
Q-CueGraph 提出“看哪里”决策外化新范式，通过OCR版面图或开词汇检测构建证据图，精准裁剪仅19%画面，在V*Bench上将冻结Qwen2.5-VL准确率从0.696提升至0.833，揭示zoom价值依赖任务特性，重在可审计、可预算的理性决策框架。（239字）
# 视觉智能开放平台 # 编解码 # 文字识别 # 定位技术 # 计算机视觉
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
Prompt-Region Grounding：为什么把题目画进图片，多模态大模型就集体"不会做题"了
这篇2026年新论文揭示：多模态大模型“能读出图中题目”不等于“会照它执行”。作者通过VTS控制实验确证“读≠用”的本质鸿沟，并提出region级prompt-region grounding训练法，在不依赖OCR、不增推理开销下显著缩小差距。（239字）
# 视觉智能开放平台 # 机器学习/深度学习 # 文字识别 # 前端开发 # 算法 # BI
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
20260809062836_flowpilot-uav-wam
FlowPilot 是一种轻量级生成式世界-动作模型，首次将“未来场景预测”与“平滑轨迹生成”耦合于单模型中，在Jetson Orin NX上实现<18ms端到端推理，助力四旋翼在未知森林中以5.5m/s高速自主避障。
# 视觉智能开放平台 # 机器学习/深度学习 # 敏捷开发 # 传感器 # 自动驾驶 # 定位技术
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
ConfBench：大模型的「我很有把握」，到底能不能信？
ConfBench 用受控退化造出一份「低精度区」基准，首次系统测出 VLM 在文档提取时自报的置信度能不能信，还给了 ECARB 这个能直接算「省多少人工审核」的指标——做文档智能 / IDP 的人值得读。
# 视觉智能开放平台 # 文字识别 # 数据安全/隐私保护 # C++
免费试用