无需 OCR 就能从各类文档中提取结构化信息的本地化开源工具docext
docext是无需OCR的新工具，用于从发票和护照等文档图像中提取结构化信息。它利用视觉语言模型准确识别并提取数据和表格信息。智能文档处理排行榜追踪和评估其在关键任务中的表现。
视觉语言模型
告别OCR！无需OCR的开源文档提取神器：DocExt，VLM驱动，安全高效！
Docext 是一个基于视觉语言模型的文档结构化信息提取工具，支持发票、护照等敏感文档处理。它通过本地部署确保数据隐私，并提供自定义字段和表格提取功能，适用于多种场景如发票管理、证件录入等。
英伟达开源「描述一切」模型，拿下7个基准SOTA
研究提出「描述一切模型」(DAM)，能生成图像或视频中特定区域的详细描述。用户可通过点、框等方式指定区域，DAM则提供丰富的上下文描述。此模型在多个任务中均表现优异，并支持多粒度输出。
物理视频真实生成！大连理工&莫纳什大学团队提出物理合理的视频生成框架
近日，大连理工大学与莫纳什大学的研究团队提出VLIPP框架，通过引入物理规律提升视频生成的物理真实性。论文指出视频扩散模型在物理场景下表现不佳的原因，并提出两阶段方法，利用视觉语言模型预测运动路径，再用细粒度的视频扩散模型生成符合物理规则的视频。
阿里千问携手DeepSeek引领国产开源大模型走向世界
阿里千问开源Qwen2.5-VL-32B-Instruct，提升视觉语言能力与数学推理。相比同类模型，其在多模态任务中表现显著优势，且在同规模纯文本能力上也取得顶级表现。
GPT-4.5刚出来就被攻破了？成功率破90%， MBZUAI团队出品
文章介绍了一篇关于对抗攻击的研究成果，该研究提出了一种新的方法M-Attack来提高对大型视觉语言模型的攻击成功率，并成功应用于多个商业模型中。
生活机器人最后考验！杨笛一团队发布EgoNormia：现实中能否符合社会规范？
新智元报道
编辑：LRST
EgoNormia基准用于评估视觉语言模型在规范推理方面的能力，结果显示当前最先进的模型仍远不如人类。论文提出了三个子任务并分析了1853个视频数据集中的规范决策问题。