理论

聚焦结构化注意力，探索提升多模态大模型文档问答性能

本文聚焦多模态大语言模型（MLLMs）在文档问答（DocQA）任务中的性能提升，提出无需改动模型架构或额外训练的结构化输入方法，通过保留文档层次结构与空间关系（如标题、表格、图像位置）优化理解能力。研究发现，传统无结构OCR输入导致注意力分散，性能下降，而 LaTeX 范式结构化输入显著提升表现。注意力分析揭示其诱导“结构化注意力”，减少无关区域干扰，聚焦语义核心。

9/11/2025 1:23:28 PM

互联网算法团队

科技赋能骑手权益保障：饿了么、美团、京东外卖算法优化升级

在即时配送行业高速发展的背景下，头部平台正通过算法优化与劳动规则重构，探索科技与人文关怀的平衡点。 9月10日，饿了么在上海召开算法和劳动规则协商恳谈会，联合多方代表签署《2025年度算法和劳动规则协议》，覆盖超400万骑手群体，标志着行业在劳动者权益保障领域迈出关键一步。饿了么算法改革：从“负向约束”到“正向激励”此次协议的核心突破在于管理机制的颠覆性变革。

9/11/2025 1:13:43 PM

极客AI

王坚最新演讲曝光：开源正在进入资源时代，AI不能缺席太空，曝近期进展：三体计算星座分享太空！几年后太阳卫星；AI闭源是历史性错误

编辑 | 云昭出品 | 51CTO技术栈（微信号：blog51cto）“只有把AI和算力送入太空，人类才有可能真正的走出地球！ ”“开源已经进入了开放资源时代！ ”“OpenAI闭源并不是一个策略性的错误，而是一个历史的选择。

9/11/2025 12:23:22 PM

云昭

人工智能寒冬即将来临

规模给了我们工具，而不是思想。这就是残酷的事实。语言模型规模越来越大，并不能让我们更接近通用智能。

9/11/2025 10:35:28 AM

晓晓

世界首富换人！81岁硅谷狂人4000亿身价碾压马斯克，33岁华裔才女逆袭

世界首富，一夜易主！昨晚，甲骨文创始人Larry Ellison净资产暴增超1000亿，创有史以来单日最大财富增长纪录。如今，他的身价高达3930亿美元，超越马斯克（3850亿美元），登顶全球首富。

9/11/2025 10:05:06 AM

李飞飞一年前究竟说了啥？怎么又火了

大语言模型的局限在哪里？ AI教母李飞飞这样说：大自然中是没有语言存在的，你不会从天空中直接看到文字。语言是一种纯粹的生成的信号。

9/11/2025 10:02:33 AM

为什么 LangChain ReAct 机制值得关注？

在当前由大型语言模型（LLM）驱动的应用开发浪潮中，如何赋予模型超越文本生成、具备可靠推理与行动的能力，已成为衡量其智能水平的关键分野。正是在这一背景下，Langchain 框架中的 ReAct（Reasoning and Acting）机制应运而生，并迅速成为业界瞩目的焦点。 ReAct 不仅仅是一种技术实现，更是一种富有远见的智能代理（Agent）设计哲学。

9/11/2025 10:01:45 AM

Luga Lee

AI代理8小时赚4500美元-程序员真的要失业了

一个明显的趋势是，AI正在从简单的代码补全工具，悄然进化成能够独立完成整个开发项目的"超级程序员"。当我看到一个AI代理在8小时内完成Shopify扩展开发，并为客户节省了4500美元成本的消息时，说实话，第一反应是——这怎么可能？但这确实发生了。

9/11/2025 9:19:46 AM

阿丸笔记

重磅！Thinking Machines开山之作：大模型输出随机的根本原因被揪出，并开源终结方案

要理解AI，先要理解它何以不确定，由OpenAI前CTO Mira Murati创办的Thinking Machines 开山之作来了，刚刚，Thinking Machines Lab 宣布正式上线技术研究博客：连接主义。开篇就是万字技术雄文《击败LLM推理中的非确定性（Defeating Nondeterminism in LLM Inference）》。为什么叫“连接主义”？

9/11/2025 9:04:00 AM

启发首席营销官的十大非AI领域的变革性创新

要点概览：CMO(首席营销官)作为企业的“指挥者”：数字化转型早已不只是IT的事情，CMO正在塑造客户体验和企业的数字化叙事。颠覆即进步：Scott Anthony将颠覆重新定义为简化复杂性、让昂贵变得可负担的驱动力。历史是最佳指南：《Epic Disruptions》强调，过去的成败为应对AI与未来浪潮提供了最有价值的经验。

9/11/2025 7:00:00 AM

Myles Suer

用 MarkItDown-MCP 让你的 AI 编程助手“通吃”各种文件！

大家好！今天要跟大家聊一个超级实用的工具——MarkItDown-MCP！如果你平时用 AI 编程助手（比如 Claude、Cursor 之类）写代码、查文档、处理数据，是不是经常遇到这样的烦恼：有些文件格式 AI 读不了，或者读起来效果不佳？

9/11/2025 4:00:00 AM

道玄

“扁平+拓扑”双索引，85页PDF"秒级"推理，MMRag幻觉率骤降76%

多模态长文档视觉问答（Multimodal Long-context Document Question Answering, 后文简称 M-L-DocQA）要求系统在给定一份可能长达数十页，包含：文本、表格、图表、图像与版式元素的 PDF。自动定位并融合跨页、跨模态的证据，最终生成自然语言答案。图片这种任务常见于科研论文、上市公司年报、产品说明书、政府统计报告等场景。

9/11/2025 2:22:00 AM

CourseAI