Qwen3.5 27B 视觉实测翻车？开发者反馈 OCR 识别准确度反不如 8B
一位开发者在测试企业入职信息复核场景时发现，将 Qwen3 8B 升级至 Qwen3.5 27B 稠密模型后，证件信息的 OCR 识别准确率反而下降。在单张 A100 上部署非量化版本时，新模型出现了人名识别错误（如“许晨”误读为“许展”）...
标签索引 / 第 3 页
多模态大模型
这个标签下有 31 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
多模态大模型遭遇“滑铁卢”：GPT与Gemini竟数不清教科书里的食物链
近日，有开发者利用普通高中生物教科书中的“食物网”图示对主流多模态大模型（LLM）进行了测试。结果显示，即便是 GPT 和 Gemini 等顶尖模型，在面对复杂的网状结构和交叉箭头时也纷纷“翻车”，未能正确统计出19条食物链。相比之下，人类...
OpenClaw 集成 Grok2API：支持 Discord 原生命令生成图片与视频
开源项目 OpenClaw 近日完成了对 grok2api 的集成，为 Discord 用户带来了便捷的 AI 生成体验。通过更新，用户现在可以直接在 Discord 频道中使用原生 Slash 命令（如 /grokimg 和 /grokv...
通义千问发布4款Qwen3.5新模型：全系原生多模态，MoE架构再进化
通义千问（Qwen）团队刚刚发布了4个全新的 Qwen3.5 系列模型，涵盖 MoE 架构的 Qwen3.5-122B-A10B、35B-A3B 以及 Dense 架构的 27B 等版本。此次更新的核心亮点在于全线升级为“原生多模态”模型，...
前沿AI大模型集体“翻车”：竟连麻将牌都认不全
近日，科技社区针对主流多模态大模型进行了一场别开生面的“麻将识别测试”。测试结果显示，包括豆包、通义千问（Qwen 3.5-VL）以及Gemini在内的顶尖AI模型，在面对基础的麻将牌面识别任务时表现惨淡，频频出现识别错误或“一本正经胡说八...
多模态模型传输优化新思路：以 Token 序列替代原图片能否大幅降低带宽？
针对多模态大模型在应用场景中因传输高清图片和视频而产生的巨大带宽与流量消耗问题，近期技术社区提出了一个极简但具启发性的优化设想。该提议认为，既然模型最终将媒体转化为 Token 进行处理，且一张图片往往仅对应不到 2000 个 Token，...
阿里Ovis2.6重磅开源：OCR能力力压GPT-4o，引入DeepSeek式思维链
阿里国际 AI 团队（AIDC-AI）正式开源 Ovis2.6 系列多模态大模型。该版本在视觉文字处理上实现突破，其 7B 版本在 CVTG-2K 文字生成榜单上以 0.9200 的准确率超越 GPT-4o，并在中文长文本 OCR 场景中表...
Claude Code 处理学术论文遭诟病，图文识别幻觉问题待解
尽管Anthropic旗下的Claude Code工具已支持PDF读取，但用户反馈表明，在处理包含大量图表的学术论文时，即使后端使用Opus 4.6等强力模型，仍存在严重的幻觉现象。具体表现包括表格数据识别错误、图表信息编造等。这一发现揭示...
多图理解崩塌？揭秘VLM“胡说”机制与两阶段Map-Reduce工程解法
本文深入探讨了多模态大模型（VLM）在处理多图输入时出现的性能崩塌与幻觉问题。作者发现，相比于网页端，API调用在多图场景下准确率和一致性大幅下降，根源在于海量视觉Token导致的“上下文稀释”和“Lost in the Middle”效应...
对标 Gemini Flash！MiniCPM-o 4.5 发布：手机端实现全双工多模态实时交互
面壁智能发布了 MiniCPM-o 4.5，这是一款总参数量仅 9B 的端侧多模态大模型。其性能直逼 Gemini 2.5 Flash，核心亮点在于支持全双工多模态实时流式交互，打破了输入与输出的阻塞，实现了“边看、边听、边说”的流畅体验，...