1638289050099079_个人页

2026年08月

• 08.28 16:35:54
  发表了文章 2026-08-28 16:35:54

  把表格压成 64 个 token，长文档问答反而更准了：先找表，再看数

  爱丁堡大学提出“两段式表格问答”：先用64视觉token压缩图精准定位相关表格（抗压缩），再以原生分辨率细读作答。长文档中总token降41%，准确率反升7个百分点，无需训练、即插即用。（239字）
• 08.27 16:07:58
  发表了文章 2026-08-27 16:07:58

  从 3.94 亿页书里捞出 2262 万个视觉元素

  本研究提出轻量级视觉元素提取管线，面向哈佛图书馆数亿页古籍扫描，实现插图、乐谱、图表等五类非文本元素的检测、分类、去重与可选描述，最终释放2262万高质量视觉crop，兼顾精度、效率与可审计性。（239字）
• 08.25 17:10:05
  发表了文章 2026-08-25 17:10:05

  把 8300 万个报纸版面单元变成可查询对象

  该管线首创“crop-first”范式，将历史报纸页图切分为结构化单元，每个crop附带OCR文本、类型、语言、实体、主题、阅读顺序及向量，支持精准过滤、重建与审计，大幅提升数字人文研究可用性。（239字）
• 08.24 15:58:39
  发表了文章 2026-08-24 15:58:39

  ArmorOCR：模型读出了隐藏文字，但它知道自己在读哪里吗？

  ArmorOCR提出“接地式对抗视觉感知”，首创AdvSpot基准，要求模型同步定位文本区域并准确识别内容。通过两阶段训练（特权观察自蒸馏+组内强化学习），将8B模型AdvSpot准确率从31.2%提升至55.7%，推动对抗OCR从“能否读出”迈向“能否证真”。
• 08.23 23:45:51
  发表了文章 2026-08-23 23:45:51

  35 种开源文档抽取配置，只有 4 个跨过 F1 0.5

  在真实公共部门成绩单上，开源零样本结构化抽取远未到可自动化水平；决定成败的不只是模型大小，OCR 是否保留行分组和表格结构同样关键。
• 08.22 22:21:48
  发表了文章 2026-08-22 22:21:48

  DocClaw：让文档 Agent 记住自己刚刚读过哪里

  DocClaw提出统一文档智能框架，将任务差异置于技能层、可复用知识存于状态层、感知动作交给工具层，实现OCR、DocQA与KIE共享交互过程，显著提升多轮查询质量与效率。（239字）
• 08.21 18:05:51
  发表了文章 2026-08-21 18:05:51

  OmniHandwritingOCR：别让多模态大模型把手写公式读成幻觉

  OmniHandwritingOCR 是首个面向手写OCR的细粒度诊断基准，含7.7万图像-标签对、6项子任务与12个子集，聚焦多行公式等难点；首创“事实性标注”，拒绝语义纠错，直击模型幻觉问题。（239字）
• 08.20 17:12:48
  发表了文章 2026-08-20 17:12:48

  DocMemo：让长文档 RAG 学会带记忆地翻页

  DocMemo提出“读-记-更新-再找”循环机制，通过三层记忆（文档结构、页面信念、问题轨迹）显式建模检索状态，用Beta分布与Thompson采样动态更新页面相关性，在长文档RAG中显著提升证据召回率与准确率。
• 08.19 14:00:09
  发表了文章 2026-08-19 14:00:09

  83.85% vs 17.91%：FormStruct-Bench 揭开表单解析的错觉

  FormStruct-Bench 是首个面向表单文档的层级化诊断基准，突破传统“字段对错”评测，精准定位区域、网格、字段路径、控件及关系等结构错误层。实测显示：模型内容识别（83.85%）远优于结构恢复（主结构仅17.91%），直击RAG、自动化入库等场景的核心痛点。
• 08.18 15:48:42
  发表了文章 2026-08-18 15:48:42

  DEC：别急着重训，先让表格解析器再检查一遍

  这篇论文直击文档解析痛点：高分OCR在真实复杂表格中仍频出错。作者构建TableParseMap诊断基准，提出DEC框架——不重训模型，而是通过分解、增强、修正三步外挂式修复，为冻结/闭源解析器提供工程化补丁方案。（239字）
• 08.17 11:29:39
  发表了文章 2026-08-17 11:29:39

  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）
• 08.16 16:05:11
  发表了文章 2026-08-16 16:05:11

  1.2B 小模型赢过 235B 大模型：NaviDC-OCR 把文档解析卷明白了

  NaviDC-OCR是中国电信AI团队推出的轻量级（1.2B）文档解析模型，专注解决手机拍摄文档的畸变、弯曲、透视等真实场景难题。它首创形变感知训练与边界点序列检测，结合内容-结构解耦学习，在OmniDocBench等四大基准全面登顶，小模型大幅超越Qwen3-VL、GPT-5.2等百B级通用大模型，为RAG与文档智能提供高鲁棒性“地基”。
• 08.14 18:04:45
  发表了文章 2026-08-14 18:04:45

  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）
• 08.14 17:43:36
  发表了文章 2026-08-14 17:43:36

  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。
• 08.13 10:28:32
  发表了文章 2026-08-13 10:28:32

  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。
• 08.13 09:35:49
  发表了文章 2026-08-13 09:35:49

  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。
• 08.12 11:33:35
  发表了文章 2026-08-12 11:33:35

  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）
• 08.10 16:23:09
  发表了文章 2026-08-10 16:23:09

  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）
• 08.10 11:47:32
  发表了文章 2026-08-10 11:47:32

  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）
• 08.09 23:58:45
  发表了文章 2026-08-09 23:58:45

  Agent 跑挂了，谁来背锅？TrajDebug 追着"错误的一生"找真凶

  TrajDebug是清华与腾讯提出的智能体关键错误定位新方法，首创“错误生命周期”追踪：先多粒度压缩长轨迹，再逐字证据检测局部错误，继而判断其是否被修复/留痕，最后在候选集中精准归因。在7个基准上最高达34.11%定位准确率，并可生成反馈提升Agent成功率。
• 08.09 22:34:37
  发表了文章 2026-08-09 22:34:37

  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。
• 08.08 15:51:10
  发表了文章 2026-08-08 15:51:10

  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。

  
• 08.08 14:57:49
  发表了文章 2026-08-08 14:57:49

  PaDoc：让端到端文档解析不再串行——吞吐翻倍、延迟减半，质量还没掉

  PaDoc创新性提出“布局串行+内容并行”解码范式，通过祖先注意机制与vLLM前缀缓存，在保留整页上下文前提下实现区域级并发生成。同骨干模型下吞吐翻倍、P95延迟减半，质量不降反升（OmniDocBench 94.24），为端到端文档解析提供高效落地新路径。（239字）
• 08.07 17:46:23
  发表了文章 2026-08-07 17:46:23

  Qwen3.6-Fable-Fusion-711：209万下载是真的，「首个开源破700」得另说

  HuggingFace 和本地 LLM 圈被一个名字长得像密码的模型刷屏——Qwen3.6-27B-Fable-Fusion-711-…-GGUF，12 天下载量从 55 万飙到 209 万。它是社区开发者 DavidAU 在阿里 Qwen3.6-27B 上做「多阶段微调 + 模型融合 + 去审查」后以 GGUF 量化打包发布，能在本地显卡直接跑。最抓眼的「首个开源突破 700 ARC-C」目前只有作者一方说法：媒体都转自同一导流站、评测框架都没交代，唯一相对独立的行业媒体标了 unverified。当热门的去审查开源模型看成立，当「开源追上闭源」看还早。
• 08.05 18:01:00
  发表了文章 2026-08-05 18:01:00

  SwanTale：字节把声音克隆和「自然语言导演」塞进了同一个模型

  字节2026年8月发布语音大模型SwanTale技术报告：首创SwanVAE+Flow-matching Transformer+Unified MoE+GRPO框架，统一实现自然语言驱动（instruct TTS）与零样本音色克隆（zero-shot TTS），支持多说话人、环境音、音效共生于单条波形。闭源报告，重方法论启发。（239字）
• 08.05 16:25:36
  发表了文章 2026-08-05 16:25:36

  为什么调一个文档抽取 pipeline 要花几周？IDP AutoOpt 让 agent 来替你

  AWS IDP AutoOpt 是一个闭环式LLM智能体，自动优化文档处理流水线（OCR、Prompt、模型、Schema等）配置，在2小时内达到甚至超越人类专家水平，精度提升8.6%，成本降为1/4.6。其三大反直觉工程经验：强模型不可妥协、结构化领域技能优于源码灌入、上下文管理需精细阈值控制。（239字）

  
• 08.04 18:04:07
  发表了文章 2026-08-04 18:04:07

  Qwen3.8-Max 开源了：该不该从 Claude 切过去？

  阿里正式发布2.4万亿参数旗舰Qwen3.8-Max，支持100万上下文与原生多模态，激活95B参数，推理成本仅6美元/百万token。下周将开源Max系列权重——史上首次，兼具强编码、长程智能体与办公自动化能力，但标准编程基准仍略逊Fable 5。（239字）
• 08.04 13:53:50
  发表了文章 2026-08-04 13:53:50

  做文档解析的人该看看 Infinity-Parser2：一个模型把版面、表格、公式、图表全端了

  Infinity-Parser2 是一款端到端多模态文档解析大模型，融合可控数据合成与多任务联合强化学习（GRPO），开源500万双语数据及Flash/Pro双版本模型，支持精准解析文本、表格、公式、图表等，显著提升RAG与文档智能效果。（239字）
• 08.02 00:40:04
  发表了文章 2026-08-02 00:40:04

  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）。