Jina AI has released jina-ocr-v1, a visual document parser that converts PDFs, scans, tables, charts and invoices into M…

We investigate what makes synthetic OCR supervision transfer to real Thai documents and use the resulting insights to bu…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

RAG 答案不对，先别急着调切块参数——病灶常在更上游的 PDF 解析。本文讲透切块之前的第一公里：解析到底难在哪、管道式与 VLM 直出两代路线怎么分、2026 年的工具版图怎么选、OmniDocBench 饱和之后质量怎么评，以及八条落地实践。

真实企业文档的多数信息不在正文段落里，而在表格、图表与版式关系里——文本 RAG 的 OCR 管线在这里系统性失真。本文拆解两条补齐路线（解析增强 vs ColPali 式视觉检索）与生成端的图文编排，给出选型权衡。

阿里把内部跑了两年的 AI 代码评审助手开源为 open-code-review（当日涨星 2,724、★36,575、Apache-2.0）：确定性工程 + LLM Agent 混合管线，含六道文件闸门、语义分组、三层记忆压缩与评论定位。AACR-Bench 同模型下 F1 为通用 Agent 的 1.5–2 倍、token 约 1/9，代价是召回更低。附五个落地场景与可复现命令。

阿里内部实战两年、服务数万开发者的 AI 代码评审 CLI 开源：确定性流水线约束 LLM Agent，精确选文件、语义分组、封存清单锁死覆盖率，官方基准上同款模型 F1 翻倍、token 成本省近九成。

从 CLIP 对比预训练到连接器路线与原生 token 统一路线：图文音频联合建模的架构分歧、训练稳定性问题、模态不平衡与数据配比，一篇讲透。

从 ChartQA 的图表问答到 MathVista 的图文数学推理，再到「视觉盲」测试暴露的底层缺陷，梳理视觉推理评测五年演进与当前真正的技术瓶颈。

RAG 应用与企业搜索之间隔着连接器生态、删除信号、统一索引与检索服务化四层差距。本文给出四步演进路线与组织配套——内容生态治理比算法更决定上限。

一个解析器打天下必然失败。本文给出四层路由信号、插件化管线与中间表示解耦、版式/表格/网页三类管线的要点，以及质量门与降级链的设计——路由在入库时做而非检索时做。

表格是 RAG 里最容易翻车的内容类型，从表格检测、结构还原、序列化策略到行级切片与聚合问答，给出一条完整的工程链路。

从窗口军备竞赛到上下文腐烂现象，分析长窗口为什么没有杀死 RAG，梳理压缩、隔离、外置三层上下文工程实践，以及多智能体架构带来的上下文解耦红利。

保险业是「数据行业」的原住民——精算师用概率表算了一百年。AI 化在这行的推进不是颠覆，是把自动化光谱从「规则引擎」推向「模型决策」，而每个环节的推进速度都由「监管容错」决定。

岛屿数量是网格类题目的第一课：把二维网格看成图，每个格子是节点、相邻格子是边——遍历一个连通块、标记沉岛防止重复——DFS 的简洁、BFS 的层次、以及「修改原网格」与「visited 集合」的取舍。

Agent 的输入不再只有文本：PDF、截图、语音、表格、手写笔记——多模态输入让 Agent 贴近真实工作。本篇拆解多模态输入的接收面工程（解析管线、模态的统一表示、成本与延迟的取舍），以及文档智能、视觉理解、语音输入各自的工程要点。

Agent 开发的两大语言生态各有地盘：Python 统治研究与数据侧，TypeScript 统治 Web 与产品侧。本篇拆解两个生态的框架、SDK 与运行时差异，按场景给出选型框架，并论证「团队栈比语言优劣更重要」的现实主义结论。

视觉语言模型（VLM）的服务化与纯文本模型不同：图像的预处理管线、多模态 KV 的显存压力、请求的异构性（图+文的组合）。本篇拆解多模态推理基础设施的特殊工程点——从请求处理到显存管理到成本核算。

Jay* 2026-11-03 14:55:30 来源：量子位 终于，有了一个可以触摸的起点 Jay发自 凹非寺 量子位|公众号QbitAI 乔布斯心中的Siri，这次可能真的走进现实了。 长这样子——** 别的先不说，终于来了个审美在线…

当日涨星 803、总星 4.7 万的纯 C MoE 推理引擎：拆解其 VRAM/内存/NVMe 三层专家放置、五步流水线、71.6% 路由前瞻与「只损失速度不改变语义」的取舍，并给出四类可复现场景与横向对比。

困惑度（Perplexity）是语言模型最老的指标——「模型平均在多少个候选里犹豫」。它便宜、客观、无处不在（模型卡的 loss 就是它），却也最容易被误读。本篇拆解困惑度的定义与直觉、它与交叉熵的关系、什么时候它能信、什么时候它会骗人，以及它在评测生态里的正确位置。

给模型装上眼睛和耳朵，等于给它开了一扇绕过安全训练的新门：把恶意指令藏进图片、用高频音频注入、在图表里编码攻击文本——多模态模型的攻击面远大于纯文本。本文讲清多模态越狱的主要技术路线、为什么它们比文本越狱更难防、以及防御的纵深设计。

Complex documents such as scientific papers contain rich information in tables, figures, and equations; however, existin…

📱iPhone 国行 AI 官宣，11 月 4 日开放测试 💵DeepSeek 千亿融资曝光，腾讯、宁德时代、长鑫等参投 🚗特斯拉推出 5 年零息方案，Model 3 / Y 首付 3.99 万元起 🍴于东来建议支持「消费入座」，餐…

一次 RAG 请求到底花多少钱？查询向量化几乎免费，检索只要几厘，生成环节却吃掉九成账单。本文把成本拆成一次性入库与每次请求两栏，给出各环节的量级估算方法与七个省钱杠杆，以及一条先砍生成、再调检索的平衡框架，帮你把预算花在真正影响账单的地方。

Existing vision-language models (VLMs) remain unreliable for fine-grained visual perception. In this report, we present …

Oct 15, 2026 Nano Banana Pro prompted by THE DECODER Key Points Nvidia has released Nemotron 3.5 Super VL, an open multi…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

CLIP（Radford et al., 2021）用 4 亿网络图文对做对比学习，零样本在 ImageNet 拿到 76.2%——追平全监督的 ResNet-50。本文拆解对比学习的训练机制、零样本分类的「提示词即分类器」玩法、CLIP 的失效模式，以及它如何成为多模态时代的地基。

文档不能出内网的团队也想要自己的 ChatPDF。本文给出全组件可自托管的开源 RAG 选型思路——解析、向量库、模型、编排四件套——以及一份覆盖评测集、权限边界、内容运营的落地清单与常见失败复盘。

大语言模型只认 token 序列，图片如何进入对话？本文拆解视觉语言模型的三块积木：把图像切块编码的 ViT、对齐两种向量空间的投影层，以及图文对三阶段训练配方，并解释视觉幻觉与计数失准这些特有失败的架构根源。

Datalab**has released OmniExtractBench, an open benchmark for structured document extraction. It tests how accurately a …

VectifyAI 开源的无向量 RAG 引擎 PageIndex（当日涨星 +1,095、★38,082、MIT）：把长文档编译成 JSON 层级树，让 LLM 逐节点推理导航，取代切块+向量相似度。基于它的 Mafin 2.5 在 FinanceBench 全量 10,231 题报告 98.7%。拆解两阶段架构、三模式 TOC 自校验回退、三工具检索循环、成本口径，以及多文档规模化与数据主权的真实边界。

文婷* 2026-09-29 15:59:46 来源：量子位 文婷 发自 凹非寺 量子位 | 公众号QbitAI 别眨眼。** 星空下，一辆白橙色的反重力赛车如利刃出鞘，猛地切进弯道，丝滑拐弯，在赛道上拖拽出一道道冰蓝光带，溅起金黄色的摩…

文婷* 2026-09-27 22:20:35 来源：量子位 田晏林 发自 凹非寺 量子位 | 公众号QbitAI AI的最前沿中，一家量子背景的公司已经悄然创办。 公司名叫**费米宇宙**，是国内首家专注Q4AI（Quantum for…

文婷* 2026-09-27 17:44:16 来源：量子位 文婷 发自 凹非寺 量子位 | 公众号 QbitAI 一道没搜出答案的**找人题**，竟然把OpenAI最强模型的相关训练干停了！ 事情有多离谱呢？请看大屏幕——OpenAI一…

Retrieval-Augmented Generation (RAG) systems over enterprise knowledge bases must ingest heterogeneous document formats …

IT之家 9 月 21 日消息，据科技日报昨晚报道，9 月 20 日，在青海师范大学教师教育高质量发展暨建校 70 周年大会科研成果展示环节， 我国首款藏语多语言全模态 AI 输入法 —— 智达 AI 输入法及配套藏文字体集正式发布 。 据…

Multilingual scene text recognition (STR) remains challenging due to the scarcity of training data for most languages an…

IT之家 9 月 20 日消息，法拉第未来（Faraday Future，简称 FF）于美国当地时间 9 月 19 日举行了 919 FF EAI 机器人“四核全智”系列新品发布会，发布了 FF All-New Futurist、FF Ma…

Document parsing converts document images into structured content and requires reliable performance across diverse layou…

出身寒微不是耻辱，放弃自己才是。]

Multimodal Large Language Models (MLLMs) perform strongly on general visual understanding tasks such as visual question …