即刻App年轻人的同好社区
下载
昨天刚发布的Deepseek-OCR，今天经过自媒体的发酵，已经轰动与各个媒体，但在昨天之前baidu发布的Paddle-OCR也是值得关注，当然这两个是截然不同的事情
- DeepSeek-OCR，在做一场“信息压缩革命”。
它把文字当作可以“看”的东西，用图像来存储文本信息，再解码还原。
证明了：一张图能代表上千字，10× 压缩下几乎无损。
是探索“视觉取代语言”的前沿实验
- 在做一款“落地级文档解析引擎”。
用 NaViT + ERNIE 架构，支持 109 种语言，能识别文字、表格、公式、图表。
实测性能全球领先，比上一代快 15%，显存省 40%。
是真正能上生产线的多模态 OCR 系统。
针对deepseek，在探索视觉模态压缩文本信息是有效的、可量化的、可实用的，那这后面的关键是文本信息怎么转换成视觉模态（渲染成图片、光学表示或其他），需要持续关注。
PaddleOCR从评测看是目前比较好的兼具性能和效果的模型，能够极大RAG类应用效果。
- DeepSeek-OCR，在做一场“信息压缩革命”。
它把文字当作可以“看”的东西，用图像来存储文本信息，再解码还原。
证明了：一张图能代表上千字，10× 压缩下几乎无损。
是探索“视觉取代语言”的前沿实验
- 在做一款“落地级文档解析引擎”。
用 NaViT + ERNIE 架构，支持 109 种语言，能识别文字、表格、公式、图表。
实测性能全球领先，比上一代快 15%，显存省 40%。
是真正能上生产线的多模态 OCR 系统。
针对deepseek，在探索视觉模态压缩文本信息是有效的、可量化的、可实用的，那这后面的关键是文本信息怎么转换成视觉模态（渲染成图片、光学表示或其他），需要持续关注。
PaddleOCR从评测看是目前比较好的兼具性能和效果的模型，能够极大RAG类应用效果。
1 01
Qwen3-VL在git上开放了cookbook，提供针对Qwen3-VL的场景使用说明，
覆盖从视觉定位到长文档与视频理解、再到“电脑/手机”图形界面代理操作的主流场景：
主要 Demo（按场景） 
• 2D/3D Grounding: 在图像或三维场景中进行目标定位与引用表达理解，分别通过二维框和三维空间推断。
• OCR 与文档解析: 多语言文本识别、表格/版面结构理解、长文档层级抽取与问答。ocr.ipynb 、document_parsing.ipynb 、long_document_understanding.ipynb .
• 视频理解: 帧间时序与事件定位、长视频检索与问答、动态场景理解。video_understanding.ipynb .
• 空间与几何推理: 物体位置、视角、遮挡关系等空间理解。spatial_understanding.ipynb .
• 图形化思维与多图推理: 将图像作为“思维材料”进行链式推理与证据组织。think_with_images.ipynb .
• 通识识别（Omni Recognition）: 面向更广谱实体与品类的识别能力示例（人、动漫、商品、地标、生物等）。omni_recognition.ipynb .
• 计算机/手机代理（Agentic GUI Use）: 识别界面元素、调用工具、自动完成任务，覆盖 PC 与移动端交互。computer_use.ipynb 、mobile_agent.ipynb .
• 多模态代码生成（MMCode）: 由图像/视频生成可视化或前端代码（Draw.io/HTML/CSS/JS）。mmcode.ipynb .
覆盖从视觉定位到长文档与视频理解、再到“电脑/手机”图形界面代理操作的主流场景：
主要 Demo（按场景） 
• 2D/3D Grounding: 在图像或三维场景中进行目标定位与引用表达理解，分别通过二维框和三维空间推断。
• OCR 与文档解析: 多语言文本识别、表格/版面结构理解、长文档层级抽取与问答。ocr.ipynb 、document_parsing.ipynb 、long_document_understanding.ipynb .
• 视频理解: 帧间时序与事件定位、长视频检索与问答、动态场景理解。video_understanding.ipynb .
• 空间与几何推理: 物体位置、视角、遮挡关系等空间理解。spatial_understanding.ipynb .
• 图形化思维与多图推理: 将图像作为“思维材料”进行链式推理与证据组织。think_with_images.ipynb .
• 通识识别（Omni Recognition）: 面向更广谱实体与品类的识别能力示例（人、动漫、商品、地标、生物等）。omni_recognition.ipynb .
• 计算机/手机代理（Agentic GUI Use）: 识别界面元素、调用工具、自动完成任务，覆盖 PC 与移动端交互。computer_use.ipynb 、mobile_agent.ipynb .
• 多模态代码生成（MMCode）: 由图像/视频生成可视化或前端代码（Draw.io/HTML/CSS/JS）。mmcode.ipynb .
Qwen3-VL/cookbooks at main · QwenLM/Qwen3-VL
1 00
VL模型再进化。
阿里刚发布了一个视觉多模态理解模型，Qwen3-VL-235B-A22B-Instruct，效果强的可怕
效果见图
图1是原图，图2是识别结果
对于这类图片基本上都是不可理解的，但qwen3-vl给出了结果，虽然细看里面数值是不对的，但至少能识别。
阿里刚发布了一个视觉多模态理解模型，Qwen3-VL-235B-A22B-Instruct，效果强的可怕
效果见图
图1是原图，图2是识别结果
对于这类图片基本上都是不可理解的，但qwen3-vl给出了结果，虽然细看里面数值是不对的，但至少能识别。
2 00
大模型技术和应用到底发展到哪个地步了？
今天碰到了个case对市面主流llm应用做了个测试
事情起因是和群友讨论到“大模型幻觉”的问题，群友说了这句话“在大模型幻觉因为benchmark 鼓励的结果出不来惩罚很严重乱编反而蒙对得分”，他说这个思路是openai的论文提到的，于是我就想找一下论文看看内容，这个时候直接发动各个大模型应用，结果如图所示：
1） 图1是Chat GPT直接给出了论文
2） 图2 kimi，并没有找对论文
3） 图3 元宝，遗憾也没有找到
4） 图4 豆包，也能找到原论文
6）图5 Gemini，遗憾未找到
7） 图6 Grok，成功找到论文
仔细回顾这个场景，虽然看似都是AI搜索，但各家实现方案并不相同，像ChatGPT更是Agentic 方式，意图识别-信息源定位- query 扩写-定向搜索-结论，而其他几家大多是query扩写-搜索，所以最终的的结果并不相同。
#Agent
今天碰到了个case对市面主流llm应用做了个测试
事情起因是和群友讨论到“大模型幻觉”的问题，群友说了这句话“在大模型幻觉因为benchmark 鼓励的结果出不来惩罚很严重乱编反而蒙对得分”，他说这个思路是openai的论文提到的，于是我就想找一下论文看看内容，这个时候直接发动各个大模型应用，结果如图所示：
1） 图1是Chat GPT直接给出了论文
2） 图2 kimi，并没有找对论文
3） 图3 元宝，遗憾也没有找到
4） 图4 豆包，也能找到原论文
6）图5 Gemini，遗憾未找到
7） 图6 Grok，成功找到论文
仔细回顾这个场景，虽然看似都是AI搜索，但各家实现方案并不相同，像ChatGPT更是Agentic 方式，意图识别-信息源定位- query 扩写-定向搜索-结论，而其他几家大多是query扩写-搜索，所以最终的的结果并不相同。
#Agent
2 00
#安利我的ima知识库
面大模型岗的人都懂，知识点和内容众多，面试题海量又杂乱，我干脆做了个《大模型面试宝典》，系统梳理面试要点，少走弯路，快速上岸。【持续更新中】
欢迎关注加人
【ima知识库】大模型面试宝典 ima.qq.com
面大模型岗的人都懂，知识点和内容众多，面试题海量又杂乱，我干脆做了个《大模型面试宝典》，系统梳理面试要点，少走弯路，快速上岸。【持续更新中】
欢迎关注加人
【ima知识库】大模型面试宝典 ima.qq.com
3 01
#安利我的ima知识库
是不是还在为 Coze 的配置和玩法发愁？别瞎踩坑了，我做了一个 现成的 Coze 知识库，能帮你少走 80% 弯路！
【ima知识库】扣子(coze)智能体工作流开发(持续更新) ima.qq.com
是不是还在为 Coze 的配置和玩法发愁？别瞎踩坑了，我做了一个 现成的 Coze 知识库，能帮你少走 80% 弯路！
【ima知识库】扣子(coze)智能体工作流开发(持续更新) ima.qq.com
1 01