蚂蚁推出OCR大模型：同一架构实现全场景文本智能，2B参数也能打
蚂蚁推出OCR大模型：同一架构实现全场景文本智能，2B参数也能打随着多模态大模型越来越强，OCR的短板反而逐渐明显。
来自主题: AI技术研报
8887 点击 2026-10-29 11:25
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
随着多模态大模型越来越强，OCR的短板反而逐渐明显。
一张高清照片中，远处的手提包是什么颜色？一页票据里，某项费用到底是多少？面对这些问题，多模态大模型常常需要先找到相关区域，再放大查看。但如果第一步就框错了位置，后面的推理也可能跟着出错。视觉思维链让模型能够边看边想、调用工具寻找证据。不过，许多方法仍然像生成句子一样，把边界框坐标逐个写成文本 token。连续的空间位置，为什么要通过离散文字来表达？
人类说一句「我不是狼」，多模态大模型既能看到表情，也能听见声音。但它真的知道这句话是真是假吗？
10月21日，柏林GTC大会，黄仁勋又把AI的未来讲出了新高度。
大模型训练已经跑到万卡集群规模，显存始终是那道隐形的门槛。
100 多位顶尖数学家，耗费数十年，写下 1.5 万页证明。
天道好轮回！
近两年，视频世界模型（video world model）成为生成式 AI 最受关注的方向之一。只需给定一张参考图和一段场景描述，模型就能根据用户输入的相机位姿或控制指令，逐帧生成出一个可以自由漫游的虚拟世界。
英伟达宣布向Meta投资30亿美元，并扩大Muse个人智能体及Muse系列模型合作，Meta同时计划募资950亿美元，以支撑AI基础设施和资本开支。
K2 Lab（攀峰智能）做到了很多 AI 应用想做但没做到的商业模式：不按 Token 收费，按结果收费。