用户8729876

文章/答案/技术大牛

发布

LV2

全部文章

AutoDesign：让 Agent 自己改自己的 harness，40 分钟把论文变成会议海报
💡 一句话总结：AutoDesign 把「围绕模型的那套系统」（prompt、工具、流程）变成可被 Agent 自动优化的对象——外层循环改系统、内层循环出作品...
用户8729876 1小时前2026-08-14 18:04:16
AIGC、LLM、agent、设计
视频生成得很真，机器人却抓了个寂寞：DreamX-Phi 的几何药方
💡 一句话总结：DreamX-Phi 1.0 用"把每条手臂的 3D 运动轨迹直接钉进注意力机制"的几何化方式，解决视频世界模型"画面很真、动作不听"的老毛病，...
用户8729876 1小时前2026-08-14 17:42:22
世界机器人大赛、机器人视觉、机器人
DeepSeek V4-Pro 转正：号称追平 Claude Fable 5，但跑分只有一家在说
💡 一句话总结：DeepSeek V4-Pro 旗舰模型今天正式 GA，Agent 能力据报暴涨（DeepSWE 从 12.8 飙到 62.7），价格比 Cla...
用户8729876 1天前2026-08-13 09:30:33
agent、Vibe Coding 平台构建、LLM、DeepSeek
Grok 4.6：追平 GPT-5.6 Sol 的半价旗舰，但别只看跑分
💡 一句话总结：Grok 4.6 在智能指数上追平了 GPT-5.6 Sol（都 61 分），token 价格只有一半——但真正让人意外的是它的回合效率（完成 ...
用户8729876 1天前2026-08-13 10:32:51
LLM、Vibe Coding 平台构建、AIGC、agent
Muse Glimmer 30B：Meta 难得给的真开源，强在哪、虚在哪
💡 一句话总结：Meta 用 Apache 2.0 放了一个 30B、单卡能跑、冲着本地 agent 去的模型——官方跑分漂亮、生态一天内就跟上，但蒸馏来源不透...
用户8729876 3天前2026-08-11 12:09:59
模型、算法、人工智能
给YOLO检测器插 LoRA，'插对地方'比'插什么'更要命
大语言模型基本上是一摞结构几乎相同的 Transformer 层——每一层都是注意力 + MLP，参数化的方式高度一致。所以你在任意一层插 LoRA，行为都是可...
用户8729876 2天前2026-08-12 13:58:08
计算机视觉、算法、yolo
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...
用户8729876 2天前2026-08-12 11:31:13
大模型部署、人工智能、AIGC、算法
18 毫秒看穿前路：FlowPilot 让无人机在密林里自主飞到 5.5 m/s
💡 一句话总结：FlowPilot 把"预测未来看到的画面"和"生成飞行轨迹"塞进同一个生成式模型，让两条流互相参考——部署时只取轨迹、不解码画面。配合一个数学...
用户8729876 4天前2026-08-09 21:58:54
开发者实验室、强化学习、算法
MiniMax H3 开源：33B 全模态视频模型来了，但「开源」两个字得拆开看
💡 一句话总结：MiniMax H3 是个 33B 的全模态视频生成模型（不是语言模型），7 月底预告、8 月初开放了 H3-Base 权重；但「开源」指的是基...
用户8729876 7天前2026-08-07 17:58:31
大模型部署、AIGC、LLM、人工智能
Q-CueGraph：你的多模态大模型会 zoom，但真的知道该看哪儿吗？
💡 一句话总结：Q-CueGraph 把多模态大模型"看哪里"的决策拎出来，做成一个独立、可审计的坐标级策略，在冻结的 Qwen2.5-VL 上用 19% 的画...
用户8729876 4天前2026-08-10 16:21:33
行业文档识别、算法、人工智能
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
💡 一句话总结：把题目从文本挪进图片，主流多模态大模型几乎全军覆没（24 个组合全掉分，平均 17.8 分），而它们常常能正确"读"出题目却不照它作答——这篇论...
用户8729876 4天前2026-08-10 11:46:59
人工智能、行业文档识别、prompt、LLM、ocr
Agent 跑挂了，谁来背锅？TrajDebug 追着"错误的一生"找真凶
💡 一句话总结：TrajDebug 把"agent 失败了找哪步错"拆成三步——先找局部错误、再判它被没被修好/留没留痕、最后在小范围里归因；在 7 个 age...
用户8729876 4天前2026-08-09 23:58:02
agent、LLM、benchmarking、算法
ConfBench：大模型的「我很有把握」，到底能不能信？
💡 一句话总结：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...
用户8729876 6天前2026-08-08 16:25:27
LLM、行业文档识别、算法、大模型部署
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
💡 一句话总结：PaDoc 把端到端文档解析的解码图从「一条长链」改成「布局串行规划 + 各区域内容并发生成」的分支树，靠祖先注意（ancestral atte...
用户8729876 6天前2026-08-08 13:40:39
行业文档识别、大模型部署、AIGC、人工智能、LLM
Skill-α：教 Agent 学会自己'改说明书'
💡 一句话带走：Skill-α 把 agent skill 的生成变成"一步步改"，用 rollback reward（编辑前后在同一任务上跑一遍对比）给每次编...
用户8729876 8天前2026-08-06 17:23:59
agent、玩转腾讯云AISkills、LLM
SwanTale：字节把声音克隆和「自然语言导演」塞进了同一个模型
💡 一句话带走：字节 2026 年 8 月的技术报告 SwanTale 用一套统一框架（SwanVAE 连续 latent + Flow-matching Tr...
用户8729876 9天前2026-08-05 18:00:18
AIGC、算法、lm
为什么调一个文档抽取 pipeline 要花几周？IDP AutoOpt 让 agent 来替你
💡 一句话带走：AWS 的 IDP AutoOpt 派一个跑在闭环里的 LLM agent（评分 → 逐字段诊断错误 → 改配置 → 重评），把一整条文档处理流...
用户8729876 9天前2026-08-05 16:15:48
论文共读、人工智能、文字识别、agent、算法
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
💡 一句话带走：Infinity-Parser2 把"可控数据合成 + 多任务联合强化学习"拧成一个端到端文档解析大模型，开源 500 万双语数据和两个模型，给...
用户8729876 10天前2026-08-04 13:52:03
人工智能、LLM、ocr、算法、图像识别
阅读笔记：ExtractBench: A Benchmark for Schema-Guided Enterprise Document Extraction
代码：https://github.com/run-llama/ExtractBench
用户8729876 11天前2026-08-03 12:13:42
算法、LLM、ocr
阅读笔记：DocOCR-Eval: A Correction-Based Framework for OCR Tool Selection Without Ground Truth
这篇论文用 "MLLM 当 corrector、衡量 OCR 原始输出与校正后输出的差异" 的思路，提出一个无需人工标注的 OCR 引擎选择框架 DocOCR-...
用户8729876 12天前2026-08-02 00:42:38
人工智能、算法、计算机视觉、文字识别

个人简介

暂未填写公司和职称
暂未填写个人简介
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市
加入社区时间：2021-06-15

个人成就

获得 13 次赞同
文章被阅读 2K 次

关注了：0关注者：12

用户8729876

全部文章

AutoDesign：让 Agent 自己改自己的 harness，40 分钟把论文变成会议海报

视频生成得很真，机器人却抓了个寂寞：DreamX-Phi 的几何药方

DeepSeek V4-Pro 转正：号称追平 Claude Fable 5，但跑分只有一家在说

Grok 4.6：追平 GPT-5.6 Sol 的半价旗舰，但别只看跑分

Muse Glimmer 30B：Meta 难得给的真开源，强在哪、虚在哪

给YOLO检测器插 LoRA，'插对地方'比'插什么'更要命

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

18 毫秒看穿前路：FlowPilot 让无人机在密林里自主飞到 5.5 m/s

MiniMax H3 开源：33B 全模态视频模型来了，但「开源」两个字得拆开看

Q-CueGraph：你的多模态大模型会 zoom，但真的知道该看哪儿吗？

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

Agent 跑挂了，谁来背锅？TrajDebug 追着"错误的一生"找真凶

ConfBench：大模型的「我很有把握」，到底能不能信？

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

Skill-α：教 Agent 学会自己'改说明书'

SwanTale：字节把声音克隆和「自然语言导演」塞进了同一个模型

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

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

阅读笔记：ExtractBench: A Benchmark for Schema-Guided Enterprise Document Extraction

阅读笔记：DocOCR-Eval: A Correction-Based Framework for OCR Tool Selection Without Ground Truth

个人简介

个人成就

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐