搜索
Jina AI 发布端到端文档解析模型 jina-ocr-v1，以 3.4B 总参数/570M 激活参数在 OmniDocBench v1.6 与 olmOCR-Bench 上刷新同级别最佳成绩，并凭借 FastMTP 推测解码与分级密集奖励在低成本 GPU 上实现无损近倍速生成，单页仅输出 1085 个 token 以 2.57 页/秒吞吐领跑 14 款主流系统。
前不久，微信视觉团队开源了WeMM-Embedding。
桥介数物创始人尚阳星透露，公司将做了三年的项目制全身运动控制业务升级为平台产品RoboCraft AI，用户上传视频即可在半小时内完成动作提取、仿真与实机部署，并刚刚完成由中国移动链长基金领投的亿元级融资。
前DeepSeek核心研究员魏浩然近日带队加入百度基础模型研发部，出任文心大模型多模态算法负责人，负责端到端OCR等方向，其此前主导的Unlimited OCR模型曾在OmniDocBench评测中取得全球第一。
在日常摄影中，后期处理往往是决定照片最终观感的重要一步。
这两天，有位机智的老哥发现，只要把Fable 5的上下文转换成一张张密密麻麻写满文字的图片，再让模型通过OCR读回来，token输入成本最多能省下70%。更离谱的是，不只是普通对话，系统提示、工具文档、历史记录，全都能一股脑塞进图里。
最新开源的Unlimited OCR，总参数3B，实际激活仅500M——放在大模型时代几乎是个零头。但就是这个小到离谱的模型，在OmniDocBench v1.5上拿下93.23%的综合分，v1.6更是达到93.92%，直接刷新了端到端SOTA。
大模型再强，也读不懂你公司那一柜子的合同、发票和扫描件。在"纸张世界"和"LLM世界"之间，缺一座桥——而百度开源的 PaddleOCR，可能就是当下最稳的那座。
GitHub OCR项目之王刚刚历史性易主。
过去几年，多模态模型在理解任务上快速演进，图像问答、OCR、视觉推理、跨模态对话等能力不断提升；与此同时，图像生成模型也在视觉质量、指令遵循和细节表达上持续突破。下一步一个自然的问题是：能否用同一个模型，同时做好理解与生成？这正是统一多模态模型（Unified Multimodal Models, UMMs）正在回答的问题。