在人工智能领域，跨模态生成（如文本到图像、图像到文本）一直是技术发展的前沿方向。现有方法如扩散模型（Diffusion Models）和流匹配（Flow Matching）虽取得了显著进展，但仍面临依赖噪声分布、复杂条件机制等挑战。
多模态大模型（MLLM）在静态图像上已经展现出卓越的 OCR 能力，能准确识别和理解图像中的文字内容。MME-VideoOCR 致力于系统评估并推动MLLM在视频OCR中的感知、理解和推理能力。
大模型巨无霸体量，让端侧部署望而却步？华为联手中科大提出CBQ新方案，仅用0.1%的训练数据实现7倍压缩率，保留99%精度。
近日，机器人与自动化领域全球顶会 ICRA 2025 在美国亚特兰大开幕。
长期以来，光学字符识别（OCR）技术一直是文档数字化的基石。然而，传统的实现方式在应对当今复杂多样的文档时却显得力不从心。在企业领域，文档的形式多种多样，包括扫描的合同、图像、带有嵌入式表格的电子邮件，甚至是手写笔记。基于模式识别和模板的系统无法跟上时代的步伐。一旦输入与预期的规范有所偏离，性能便会出现明显下降，暴露出其脆弱性。
Recraft，利用AI生成和编辑高质量矢量插图和图标，服务于设计和市场团队。完成3000万美元B轮融资，投资方为Accel、Khosla Ventures、Madrona。本轮估值未知，累计融资4200万美元。
该项目在今年1 月进一步扩大，Crusoe 与甲骨文签署了更大规模的租赁协议 ，新增 6 个数据中心，覆盖整个 1.2 吉瓦的场地，The Information 率先报道。该协议使甲骨文能为 OpenAI 提供的算力规模翻了两番，额外增加 30 万块 GPU。最初与 Blue Owl 成立的合资企业并不包含此次扩建计划。
曾估值超10 亿美元的微软支持 AI 公司 Builder.ai 陷入资金短缺，已进入破产程序，该公司发言人向 TechCrunch 证实了这一消息。
大家好，我是袋鼠帝前几天收到一个客朋友的咨询：“有没有什么爬虫软件推荐？”
2025 年 5 月，美国加州大学河滨分校 (UC Riverside) 与宾夕法尼亚州立大学 (Penn State University) 联合团队在机器人领域顶级会议 ICRA 2025 上发布最新研究成果 LaMMA-P。
