视觉语言模型
AGILE自监督强化学习提升视觉语言模型感知推理能力
AGILE创新性地将智能体交互与拼图任务结合，通过自监督强化学习范式显著提升视觉语言模型的感知推理能力。该框架在无需人工标注的情况下，使模型在2×2拼图任务中准确率从9.5%提升至82.8%，并在9项通用视觉任务中平均性能提升3.1%，为解决多模态强化学习数据稀缺问题提供了可持续的解决方案。
DeepSeek开源OCR模型实现视觉文本压缩，革新AI识别技术
DeepSeek开源革命性OCR模型DeepSeek-OCR，通过创新的光学压缩技术实现10倍无损文本压缩，在仅使用100个视觉token的情况下超越现有技术，支持近100种语言识别，为AI文本处理领域带来重大突破。
Video-RAG：轻量高效的长视频理解与多模态对齐框架
Video-RAG是由厦门大学、罗切斯特大学和南京大学联合研发的轻量级长视频理解框架，采用多模态辅助文本检索增强生成技术，无需模型微调即可实现高效的视觉-语义对齐。该框架在多个基准测试中超越商业模型，为教育、安防、医疗等领域的视频分析应用提供了低成本、高可扩展的解决方案。
AI Tools Nav 收录了全球优质的 AI 工具与人工智能应用平台，覆盖 AI写作、AI绘图、AI编程、AI音频处理、AI视频编辑、AI办公自动化、AI搜索引擎 等多个领域，持续每日更新，让你快速找到好用的 AI 工具，提高工作与创作效率。