标签: 计算机视觉 (4 篇)

Meta 开放首个 Spark 模型 API，Muse Spark 1.1 在工具调用和计算机使用能力上大幅升级，Simon Willison 火速开发了 CLI 插件，让开发者可以轻松调用。

文章指出，收据识别并非简单的OCR问题，而是考验系统能否处理非标、复杂结构的文档智能问题，传统基于规则的管线在此易崩溃，而AI智能体驱动的架构更具鲁棒性。

Google DeepMind发布手语到文本模型SL2T，首次将手语AI集成到消费级产品，解决手语作为独立语言的翻译难题。

文章深入剖析了从文档中提取表格数据的技术挑战，指出这远比普通文本OCR复杂，需要检测、结构识别和数据提取三个核心阶段协同工作。