定位

1. 首页
2. 定位

LongDocURL

LongDocURL是一个由中国科学院自动化研究所和阿里巴巴联合发布的多模态长文档理解基准数据集，包含2,325组问答对，覆盖33,000页文档，涉及20个子任务。该数据集专注于评估AI模型在长文档理解、数值推理、跨元素定位及多样化任务中的性能，支持文本、图像和表格等多种模式，具有高质量和多样性的特点。

AI项目与工具 2025年06月12日 26 点赞 0 评论 203 浏览

MMedAgent

MMedAgent是一款面向医疗领域的多模态AI平台，集成了指令优化的多模态大型语言模型（MLLM）及一系列定制化医疗工具，支持多种医学成像模式（如MRI、CT、X射线等），可高效处理视觉问答、分类、定位、分割、医学报告生成（MRG）及检索增强生成（RAG）等任务，显著提升了医疗数据处理效率与准确性。

AI项目与工具 2025年06月12日 45 点赞 0 评论 218 浏览

Picarta

Picarta是一款基于AI技术的图像位置识别工具，可自动分析照片并提供地理信息，支持旅行照片整理、摄影管理、新闻验证和历史研究等功能。平台注重隐私保护，提供多样化的服务模式，满足个人和企业用户的需求。

AI项目与工具 2025年06月12日 84 点赞 0 评论 495 浏览

Browser Use

Browser Use是一款基于大语言模型的智能浏览器工具，支持多标签页管理和视觉识别，可提取网页内容并记录操作步骤。它允许开发者自定义动作，如保存文件或推送至数据库，并兼容多种主流LLM模型，具备并行运行和自我修正能力，旨在提升任务执行效率与准确性。

AI项目与工具 2025年06月12日 45 点赞 0 评论 268 浏览

PC Agent

PC Agent是一款基于人工智能的多功能系统，通过模拟人类认知过程，实现复杂数字任务的自动化处理，包括文档编辑、数据分析、项目管理和客户服务等。它采用多智能体系统架构，结合PC Tracker采集的人机交互数据，利用两阶段认知完成流程生成富含认知信息的轨迹，从而支持高效的决策制定与任务执行。

AI项目与工具 2025年06月12日 28 点赞 0 评论 155 浏览

豆包视觉理解模型

豆包视觉理解模型是一款集视觉识别、理解推理和复杂逻辑计算于一体的先进AI工具。它具备强大的视觉定位能力，支持多目标、小目标和3D定位，并能识别物体的类别、形状、纹理等属性，理解物体间的关系和场景含义。此外，模型在视频理解方面表现出色，能够进行记忆、总结、速度感知和长视频分析。凭借其高效性和成本优势，该模型广泛应用于图片问答、医疗影像分析、教育科研、电商零售及内容审核等领域。

AI项目与工具 2025年06月12日 86 点赞 0 评论 234 浏览

NVILA

NVILA是一款由NVIDIA开发的视觉语言模型，通过“扩展-压缩”策略优化处理高分辨率图像和长视频，兼具效率与准确性。它在图像和视频基准测试中表现优异，支持时间定位、机器人导航和医疗成像等应用场景，并通过参数高效微调和量化技术提升模型性能。未来将在GitHub和HuggingFace平台上开源。

AI项目与工具 2025年06月12日 68 点赞 0 评论 467 浏览

ShowUI

ShowUI是一款由新加坡国立大学Show Lab与微软合作开发的视觉-语言-行动模型，旨在提升图形用户界面（GUI）助手的工作效率。该模型通过UI引导的视觉令牌选择、交错视觉-语言-行动流以及高质量数据集的运用，实现了高效的零样本截图定位和GUI自动化功能，广泛应用于网页自动化、移动应用测试、桌面软件自动化及游戏自动化等领域。

AI项目与工具 2025年06月12日 27 点赞 0 评论 414 浏览

DynaMem

DynaMem是一款由纽约大学与Hello Robot共同研发的动态空间语义记忆系统，旨在应对开放环境下的移动操作挑战。该系统通过构建特征点云来存储环境信息，并利用RGBD观测数据动态调整记忆库。它支持文本查询定位物体，同时具备强大的动态物体处理能力，广泛应用于家庭、工业、仓储管理以及灾难救援等多个领域。

AI项目与工具 2025年06月12日 18 点赞 0 评论 354 浏览

天壤万卷

天壤万卷是一款基于AI的文档处理工具，支持多格式文档（含超大文件和扫描件）的处理。其核心功能包括混合检索、跨语言问答、精准定位和溯源答案，同时配备表格、图像、公式识别等实用工具及行业模板，适用于法律、学术、金融等多个领域。

AI项目与工具 2025年06月12日 24 点赞 0 评论 499 浏览