今天，他们自称发布了世界上最好的 OCR API，它能够将复杂的 PDF 文件转换为文本文件，以便 AI 模型处理。现在，所有大模型的输入端格式都是文本，或者规整的、容易识别的文本文件，但这个世界上，还有很多文件是粗糙的，不规整的，难以识别的，它需要依赖强大的 OCR 功能才能转换为文本。
当涉及到空间推理任务时，LLMs 的表现却显得力不从心。空间推理不仅要求模型理解复杂的空间关系，还需要结合地理数据和语义信息，生成准确的回答。为了突破这一瓶颈，研究人员推出了 Spatial Retrieval-Augmented Generation (Spatial-RAG)—— 一个革命性的框架，旨在增强 LLMs 在空间推理任务中的能力。
他们为ChatGPT/AlphaGo奠定基石
AGI的成熟度是一步一步提升的。
周末读到一篇兼具现实和科幻色彩的雄文《The A.I. Monarchy》（AI 君主制），其作者 Mihnea Măruță 是罗马尼亚新闻和哲学领域的杰出人物，他最有名的著作《Identitatea virtuală》（虚拟身份），从社会哲学角度分析了社交媒体对身份的影响，
回顾 AGI 的爆发，从最初的 pre-training (model/data) scaling，到 post-training (SFT/RLHF) scaling，再到 reasoning (RL) scaling，找到正确的 scaling 维度始终是问题的本质。
与3D物理环境交互、适应不同机器人形态并执行复杂任务的通用操作策略，一直是机器人领域的长期追求。
o1/DeepSeek-R1背后秘诀也能扩展到多模态了！
去年，Sam Altman曾做过一个预测： 有了AI，我们很快就会看到第一家估值10亿美元，但只有一个人的AI公司。
通过针对视觉的细分类、目标检测等任务设计对应的规则奖励，Visual-RFT 打破了 DeepSeek-R1 方法局限于文本、数学推理、代码等少数领域的认知，为视觉语言模型的训练开辟了全新路径！
