在數字化浪潮席卷各行業的今天，海量文檔的智能處理與高效利用已成為開發者亟待解決的核心痛點。無論是構建智能知識庫、優化信息檢索，還是革新教育科技，精準、高效的文檔解析能力都扮演著至關重要的角色。今天，我們要介紹的是一款專為開發者設計的強大文檔解析產品——Doc2X。一、為什么選擇Doc2X？Doc2X是一款強大的文檔解析工具，它能夠將PDF、圖片等多種格式的文檔精準轉換為Markdown、LaTeX、HTML、Word等結構化或半結構...

RAGAnything是一個綜合性多模態文檔處理RAG系統。該系統能夠無縫處理和查詢包含文本、圖像、表格、公式等多模態內容的復雜文檔，提供完整的檢索增強(RAG)生成解決方案。核心特性??端到端多模態處理流水線提供從文檔解析到多模態查詢響應的完整處理鏈路，確保系統的一體化運行??多格式文檔支持支持PDF、Office文檔（DOCDOCXPPTPPTXXLSXLSX）、圖像等主流文檔格式的統一處理和解析??多模態內容分析引擎針對圖像、表格、公式和通用...

GraphRAG是一種擴展的RAG范式，通過構建圖結構來組織背景知識，其中節點代表實體、事件或主題，邊代表它們之間的邏輯、因果或關聯關系。它不僅檢索直接相關的節點，還會遍歷圖以捕獲相互連接的子圖，從而發現隱藏的模式。GraphRAGvsRAGGraphRAG是否真的有效，以及在哪些場景下圖結構能為RAG系統帶來可衡量的好處？廈大和港理工提出的GraphRAGBench基準測試框架，旨在全面評估GraphRAG模型在分層知識檢索和深度上下文推理中的表...

獨木不成林，隨著基于大型語言模型（LLM）的多智能體系統（MAS）的崛起，我們見證了智能體團隊在復雜任務中展現的驚人潛力，儼然形成了數字世界的"智慧軍團"。然而，當這些"AI戰隊"深入醫療診斷、金融決策等關鍵領域時，你是否為這些安全隱患夜不能寐：攻擊者"策反"智能體，讓系統輸出錯誤內容卻渾然不覺？攻擊者注入的病毒像"數字病毒"般在智能體間傳播，導致集體表現出"中毒"現象？傳統單agent防御策略在應用于多智能體系統時...

語言并不總是推理的最自然或最有效的模態，特別是在涉及空間和幾何信息的任務中?；诖耍瑒?amp;Google等提出并開源了一種新的范式——視覺規劃（VisualPlanning），它通過純視覺表示進行規劃，獨立于文本。在這個范式中，規劃是通過圖像序列來執行的，這些圖像序列在視覺領域編碼了逐步推理的過程，類似于人類如何繪制草圖或可視化未來的行動。推理范式的比較。傳統方法（上兩行）會生成冗長且不準確的文字計劃，而視覺規劃范式...

LRMs在通過強化學習（RL）提升了推理能力，但，擴展到長文本場景（如120Ktokens）仍然是一個未解決的挑戰，為此，阿里提出并開源了QwenLongL1框架，首個通過強化學習訓練用于長文本情境推理的長文本情境大型推理模型（LRM）。QwenLongL132B優于OpenAIo3mini和Qwen3235BA22B等旗艦LRMs，其性能與Claude3.7SonnetThinking相當，展現出在最先進的LRMs中領先的性能。QwenLongL1是一個新穎的強化學習(RL)框架，旨在促進LRM從短上下文...

記憶是AI系統的基本組成部分，尤其是對于基于LLMs的Agents。首次將記憶表示分為三類：參數化記憶、上下文結構化記憶和上下文非結構化記憶，并介紹了六種基本的記憶操作：鞏固、更新、索引、遺忘、檢索和壓縮。盤點了幾十種記憶框架、產品、應用！通過將這些操作系統地映射到長期記憶、長上下文記憶、參數修改和多源記憶等最相關的研究主題中，從原子操作和表示類型的視角重新審視記憶系統，為AI中與記憶相關的研究、基準數據集...

AgenticRAGR1是由北京大學研發的一項開源研究項目，旨在推動語言模型在自主檢索與推理能力方面的能力邊界。該項目通過引入強化學習策略（GRPO），構建了一個可自我規劃、檢索、推理與總結的智能體式RAG系統。核心亮點1.AgenticRAG架構：融合檢索增強生成（RAG）與AgenticAI機制，模型不僅生成答案，還能“決定如何生成答案”。2.強化學習優化（GRPO）：借助GeneralizedRelevancePolicyOptimization，讓模型學會更合理地選擇檢索...

盡管多模態大型語言模型（MultimodalLargeLanguageModels,MLLMs）顯著擴展了LLMs以處理視覺、音頻和視頻等多種模態，但在多模態輸入之間實現穩健的推理仍然是一個重大挑戰。華東師大&字節跳動系統回顧了基于強化學習的MLLMs推理的最新進展，涵蓋了關鍵的算法設計、獎勵機制創新以及實際應用。一、MLLMs&RL基礎MLLMs與MMCoT多模態大型語言模型（MLLMs）：將大型語言模型（LLMs）與其他模態（如視覺、音頻和視頻）的模型結合，以...

OpenAI大佬姚順雨發表一篇名為“TheSecondHalf”博客，核心觀點是人工智能（AI）的發展已經進入了一個新的階段，即“下半場”：從現在開始，將把重點從解決問題轉移到定義問題上；評估將比訓練更為重要，不再只是問：“我們能否訓練一個模型來解決X問題？”而是要問：“我們應該訓練人工智能去做什么，以及我們如何衡量真正的進步？”；為了在AI的下半場取得成功，需要及時轉變思維方式和技能組合，這些思維方式和技能組合或許...

微軟研究院發布了第一個開源的、原生的1bit大型語言模型（LLM）：BitNetb1.582B4T：內存占用：BitNetb1.582B4T的非嵌入層內存占用僅為0.4GB，遠低于其他全精度模型。能耗：估計的解碼能耗為0.028焦耳，遠低于其他模型。解碼延遲：在CPU上，BitNetb1.582B4T的平均延遲為29ms，遠低于其他模型。BitNetb1.582B4T參數規模達到20億，在包含4Ttokens的語料庫上進行訓練，并在多個基準測試中表現出與同規模的領先全精度模型（LLaMA3.21...

Llama4（家族）發布并重回開源榜Top1，我梳理了Llama4第一手效果實測（編碼、多模態、長上下文，啥啥都不行？）、本地部署、體驗link：一、Llama4實測（真是水平如何）strawberry中有幾個r，回答：2個R9.9與9.11哪個大“Llama4”反著輸出結果：4amallL表格抽取，extractSwinTTNTS、Transformer'sThroughputLlama4給出了SwinV2T的結果Llama4編程，Llama4Maverick——Python六邊形測試失敗來自karminski的Llama4編程能力真是總結...

幾乎就在同一天，兩個國內著名大模型廠商DeepSeek與阿里通義千問組團開源了模型：DeepSeekV30324（更美觀的網頁和游戲前端），Qwen2.5VL32BInstruct（以小博大）：Qwen2.5vl32B模型72B對VLM來說太大？7B不夠強！那么可以使用32B模型響應更符合人類偏好：調整輸出樣式以提供更詳細、格式更好的答案，使其更符合人類偏好。數學推理：顯著提高解決復雜數學問題的準確性。細粒度圖像理解與推理：增強圖像解析、內容識別、視覺邏輯推...

盡管DeepSeekR1風格的模型在語言模型中已經取得了成功，但其在多模態領域的應用仍然有待深入探索。上交大等提出并開源VisualRFT，將RFT擴展到視覺任務，通過設計針對不同視覺任務的可驗證獎勵函數，提升LVLMs在視覺感知和推理任務中的性能。視覺強化微調（VisualRFT）的概述。與（a）數據驅動的視覺指令微調相比，（b）視覺強化微調（VisualRFT）在有限數據下更具數據效率。（c）成功地將RFT應用于一系列多模態任務，并在底部展...

微軟GraphRAG自提出，已歷時快一年，PaperAgent對其發展歷程進行了專門梳理與總結：去年4月，為解決傳統RAG在全局性的查詢總結任務上表現不佳，微軟多部門聯合提出ProjectGraphRAG（大模型驅動的KG）；去年7月，微軟正式開源GraphRAG項目，引起極大關注，至今23.2kstar，但落地時卻面臨巨大成本痛點（具體：LLM用于實體關系抽取+描述，社區總結）；去年11月，為了上述痛點，微軟發布了LazyGraphRAG，將數據索引成本降低1000倍，...

?為解決現有檢索增強生成（RAG）系統在模擬人類長期記憶的動態和關聯性方面的局限性，一種新型框架HippoRAG2提出并將開源！在三個關鍵維度上評估持續學習能力：事實記憶、感知構建和關聯性。HippoRAG2在所有基準類別中均超越了其他方法（RAPTOR、GraphRAG、LightRAG、HippoRAG），使其更接近真正的長期記憶系統。?HippoRAG2框架的核心思想：HippoRAG2基于HippoRAG的個性化PageRank算法，通過深度段落整合和更有效的在線LLM使...

DeepSeek開源周并未結束，OneMoreThing：DeepSeekV3R1推理系統概述以及高達545%的成本利潤率：通過以下方式優化吞吐量和延遲??跨節點EP驅動的批量擴展??計算通信重疊??負載均衡DeepSeek在線服務的統計數據?每個H800節點每秒73.7k14.8k輸入輸出tokens??成本利潤率545%圖片DeepSeekV3R1推理系統的優化目標是：更大的吞吐，更低的延遲。圖片大規?？绻濣c專家并行（EP）由于DeepSeekV3R1模型具有高度稀疏性，每層256個專家中僅激...

文本豐富的圖像（如文檔、圖表、場景圖等）在現實場景中扮演著重要角色，準確理解這些圖像對于自動化信息提取和優化用戶交互至關重要。文本豐富圖像理解（TextrichImageUnderstanding,TIU）領域涉及兩個核心能力：感知（如文本檢測、識別）理解（如信息抽取、視覺問答）多模態大語言模型（MLLMs）的出現為文本豐富的圖像理解（TIU）領域帶來了新的維度，系統地分析了該領域MLLMs的時間線、架構、訓練流程、數據集與基準測試。TI...

DeepSeek官推發布了最新技術成果NSA：一種面向硬件且支持原生訓練的稀疏注意力機制，專為超快長上下文訓練與推理設計。NSA的核心組成：動態分層稀疏策略粗粒度的token壓縮細粒度的token選擇??NSA針對現代硬件進行了優化設計，顯著提升了推理速度，并有效降低了預訓練成本——同時不損失性能。在通用基準測試、長文本任務和基于指令的推理任務中，NSA的表現均能達到甚至超越傳統全注意力模型的水平。1.動態分層稀疏策略NSA的核心...

繼GraphRAG之后，微軟又發布PIKERAG，主打在復雜企業場景中私域知識提取、推理和應用能力，PIKERAG已在工業制造、采礦、制藥等領域進行了測試，顯著提升了問答準確率。demo示例：多層次異構的知識庫構建與檢索+自我進化的領域知識學習RAG系統在滿足現實世界應用的復雜和多樣化需求方面仍然面臨挑戰。僅依靠直接檢索不足以從專業語料庫中提取深度領域特定知識并進行邏輯推理。企業場景復雜多樣的Query基于此，微軟亞洲研究院提出...