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
16049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
13005内容 3活动 920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
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++
AI小怪兽
|
2月前
|
博文
|
来自： 视觉智能
YOLO26知识蒸馏：一行代码，0.4-1.0个点，零推理开销
YOLO26原生支持知识蒸馏，仅需一行`distill_model`参数，即可让轻量学生模型（如yolo26n/s）从大模型（如yolo26x/l）中学习“暗知识”，在推理零开销、速度体积不变前提下，精度最高提升1.0 mAP，特别适合边缘部署场景。
# 视觉智能开放平台 # 计算机视觉 # 异构计算
1518817963889824
|
2月前
|
博文
|
来自： 视觉智能
在浏览器中实现电影级景深：Depth Anything V2 Small、WebGPU 与本地视频编辑实践
Timeline Studio 开源视频编辑器集成 Depth Anything V2 Small 模型，基于 WebGPU 在浏览器本地实现照片/视频场景深度分析，生成可实时调节、保存导出的电影级景深效果，全程不上传原始媒体。
# 视觉智能开放平台 # 缓存 # 人工智能 # 编解码 # 自然语言处理 # 计算机视觉
万维易源
|
2月前
|
博文
|
来自： 视觉智能
实时快速核验银行卡-身份证实名核验-API接口-SDK集成
身份证与银行卡实名核验API，支持二至四要素实时校验，直连官方权威数据源，毫秒级响应、零缓存。返回匹配结果及性别、生日、籍贯、发卡行等丰富信息，适用于注册认证、信贷风控、支付验证等场景，助力企业快速合规验真。
# 视觉智能开放平台 # 缓存 # JSON # 小程序 # API # 开发工具
1518817963889824
|
2月前
|
博文
|
来自： 视觉智能
浏览器端多语种 AI 配音卡在 86%？从 WebGPU、WASM 到模型缓存治理的完整修复实践
本项目实现浏览器端AI配音，无需上传数据、降低服务器成本。针对模型常卡在86%、多语言加载失败等痛点，通过统一缓存身份、双镜像下载、Q8量化模型、WASM回退、智能缓存清理及分阶段进度提示等方案，彻底解决QuotaExceededError，支持中英日韩泰等多语种稳定本地合成。
# 视觉智能开放平台 # 存储 # 缓存 # 人工智能 # 自然语言处理 # 前端开发
1638289050099079
|
2月前
|
博文
|
来自： 视觉智能
阅读笔记：DocOCR-Eval: A Correction-Based Framework for OCR Tool Selection Without Ground Truth
本文提出免标注OCR引擎选择框架DocOCR-Eval：利用MLLM作为校正器，通过三阶段错误诊断（字符/分词/语义）条件触发文本或视觉重识别校正，以校正后ANLS差异自动排序引擎。在FUNSD等数据集上NDCG达0.9752，验证了思路可行性，但验证尚不充分（仅3/9数据集、4引擎、prompt未公开）。
# 视觉智能开放平台 # 移动开发 # 文字识别 # 自然语言处理 # 算法 # C++
免费试用