LlamaIndex发布OCRia-1.5,NVIDIA推Cosmos数据工厂

资讯 AI 应用前沿 全文 2697 字 · 约 7 分钟读完 配图 1 张 分类Gemini英伟达Google产品更新模型发布数据

本期速报关注文档解析与合成数据的新进展。LlamaIndex推出OCRia-1.5模型家族,提升复杂表格解析精度;Google DeepMind上线Genie 4,支持原生音频与实时编辑;NVIDIA发布Cosmos Data Factory蓝图,通过Prompt生成含稀有事件的训练数据。此外,Gemini应用适配低内

所属频道 大厂动态产品更新模型发布算力与芯片Gemini 与 Google AI

LlamaIndex 推出 OCRia-1.5,主攻复杂文档解析

处理 PDF、扫描件或复杂报表时,最让人头疼的往往不是文字识别,而是那些嵌套的表格、跨页的图表以及非标准表单。传统的 OCR 工具在这些场景下容易丢失结构信息,导致后续的大模型检索增强生成(RAG)效果大打折扣。LlamaIndex 最新发布的 OCRia-1.5 文档解析模型家族,正是为了解决这个痛点。

这次更新带来了两个规格的模型:2B(20亿参数)和 4B(40亿参数)。这种分层设计很务实。2B 版本适合对成本敏感、需要大规模批量处理的企业场景,跑起来快且便宜;4B 版本则面向对精度要求极高的旗舰级 Agentic 工作流,特别是在处理那些让普通解析器“抓狂”的复杂布局时,表现更稳。目前,这两款模型已经直接集成到 LlamaParse 服务中,开发者无需自己部署推理基础设施,通过 API 即可调用。

从技术演进来看,OCRia-1.5 相比上一代在准确率和成本控制上都做了优化。对于依赖文档知识库构建智能体的团队来说,这是一个值得关注的底层能力升级。毕竟,如果输入给大模型的上下文本身就是错乱的,再强的推理模型也救不回来。

Google DeepMind Genie 4:可交互虚拟世界的新一步

Google DeepMind 的 Project Genie 系列一直聚焦于“生成可交互虚拟世界”。最新上线的 Genie 4 在这一方向上又推进了一步。与早期版本主要关注视觉生成不同,Genie 4 引入了原生音频支持、实时编辑功能以及新的创作智能体。

这意味着用户不仅能生成一个看起来逼真的虚拟场景,还能在其中进行更自然的互动。比如,你可以实时修改场景中的元素,而系统会即时反馈变化后的状态,包括声音环境的相应调整。对于 AI Ultra 订阅用户,DeepMind 还开放了社区画廊功能,允许用户分享和探索他人生成的世界。同时,Genie 3 的会话长度限制也延长至最长 3 分钟,这为更复杂的交互叙事提供了空间。

Genie 系列的核心价值在于它试图打通从静态图像到动态、可交互环境的鸿沟。虽然目前主要面向创意和专业用户,但其背后的技术路径——即如何让 AI 理解并维持一个连贯的物理和逻辑世界——对游戏开发、模拟训练甚至元宇宙概念都有深远影响。

NVIDIA Cosmos Data Factory:用 Prompt 生成稀缺训练数据

在自动驾驶、机器人操作等物理 AI 领域,数据短缺尤其是“长尾场景”数据的匮乏,一直是制约模型性能的关键瓶颈。你很难在现实世界中收集到足够多的极端事故、罕见故障或特殊边缘案例。NVIDIA 新推出的 Cosmos Data Factory 蓝图,试图用生成式 AI 来解决这个问题。

这套工作流的逻辑很直观:以真实的驾驶片段、机器人任务记录、商店场景或电路板图像为起点,用户只需通过两段 Prompt,一段描述环境搭建,另一段定义运行工作流,系统就能自动生成包含稀有事件与缺陷的变体数据。例如,你可以要求系统在正常的驾驶视频中加入“突然窜出的行人”或“极端天气下的传感器噪声”,并自动整理成符合训练格式的数据集。

与此同时,NVIDIA 在 Nemotron Labs 直播中介绍了 Nemotron 3.5 Transcribe。虽然具体规格尚未完全公开,但从“超越转录”的主题来看,这款语音模型不再局限于将声音转为文字,而是可能涉及对语音内容更深层次的理解、情感分析或结构化提取。结合 Cosmos Data Factory,NVIDIA 正在构建一套从数据生成到多模态理解的完整闭环,旨在降低物理 AI 开发的门槛。

Gemini App 下沉至低内存安卓设备

为了让全球更多用户能用到核心 Gemini 体验,Google 对 Gemini App 进行了重新架构,使其能够在低内存 Android 设备上流畅运行,包括 Android Go edition 这类入门级机型。这一举措的背后,是 Google 对移动端 AI 普及率的重视。

过去,高性能 AI 应用往往受限于硬件算力,只能在中高端手机上运行。通过优化模型量化、推理引擎和资源调度,Google 成功将 Gemini 的核心功能移植到了资源受限的设备上。这不仅扩大了用户基数,也为收集更多样化的用户交互数据提供了可能。对于新兴市场用户而言,这意味着他们也能享受到类似的 AI 助手服务,而不必更换昂贵的手机。

Hugging Face 探讨 Streamhouse 中的时序模型应用

Hugging Face 近期发布博客,梳理了 Streamhouse 场景下时序模型的新前沿与用例。Streamhouse 是一种结合数据湖仓与流处理的技术架构,旨在实现实时数据分析。在这一背景下,时序 AI 模型的应用方向变得更加明确。

传统时序预测往往基于历史批量数据,而在 Streamhouse 架构中,模型需要处理连续不断的流式数据,这对实时性、计算效率和模型适应性提出了更高要求。博客中展示的案例表明,时序 AI 可以在实时监控、异常检测、动态定价等场景中发挥重要作用。对于从事时序建模的开发者来说,了解如何将这些模型集成到流式数据处理管道中,是一个具有实际参考价值的技术方向。

Ramp:AI 重构金融运营的商业样本

除了技术层面的更新,商业领域的 AI 落地也在加速。支付与费用管理平台 Ramp 在七年间成长为年收入超 20 亿美元、估值约 600 亿美元的金融运营平台。值得注意的是,Ramp 正利用 AI 重做其内部流程与产品体验。

Ramp 的案例之所以被视为 AI 落地的商业样本,是因为它不仅仅是在产品中嵌入一个聊天机器人,而是用 AI 深度重构了财务审核、费用分类、欺诈检测等核心业务流程。通过自动化处理大量重复性高、规则明确的财务任务,Ramp 不仅降低了运营成本,还提升了用户体验的响应速度。这种“AI 原生”的运营模式,正在成为金融科技行业的新常态。

结语

从 LlamaIndex 的文档解析优化,到 NVIDIA 的合成数据生成,再到 Google 的交互式世界构建,本周的动态显示出一个共同趋势:AI 正在从单纯的“内容生成”向“结构化数据处理”和“复杂环境模拟”深入。无论是解决长尾数据短缺,还是提升低配设备的可用性,这些技术都在试图消除 AI 落地过程中的实际障碍。而对于像 Ramp 这样的企业来说,AI 已不再是锦上添花的功能,而是重塑商业模式的核心驱动力。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. Gemini 4 Neon 上线,NVIDIA 并行生成打破逐字解码

    Google 推出 Gemini 4 Neon,主打推理与任务执行,已接入 App 和 Tasks。NVIDIA 发布 Nemotron-Sigma,尝试并行块生成以加速代码和数学解题。Hugging Face 分享了 27B 模型后训练效率优化及微调耗时超预期的技术原因。LMArena 数据显示 GPT-6.2 As

    来源 AI 应用前沿
  2. 谷歌推Gemini Tasks智能体:覆盖2.5亿用户,大摩看好其10亿用户基础

    智通财经APP获悉,谷歌母公司Alphabet(GOOGL.US,GOOG.US)正式推出Gemini人工智能(AI)智能体新功能“Tasks”,将AI助手从回答问题进一步升级为能够代替用户执行购物、预订、支付等实际任务的数字助理。摩根士丹利在11月18日发布的研报中指出,谷歌凭借Gemini庞大的现有用户基础、深度整

    来源 腾讯网
  3. 谷歌更新Gemini隐私控制:聊天记录可保留,不用于AI训练

    IT之家 11 月 18 日消息,谷歌昨日发布公告,宣布更新 Gemini 应用程序的控制选项,允许用户自行决定是否将 Gemini 聊天记录用于 AI 模型训练。谷歌表示,新增的设置选项允许用户在保留 Gemini 聊天记录的同时,选择不将聊天记录用于生成式 AI 模型训练。用户仍然可以调整聊天记录的保存期限,并手动

    来源 腾讯网
  4. Gemini 4 Hydrogen一小时开发机械臂:Antigravity插件降门槛

    2026年11月中旬,AI领域迎来几项关键进展。Google发布Gemini 4 Hydrogen模型及Antigravity插件,宣称能将机械臂从草图到真机部署压缩至一小时。Cognition推出Devin Bots,支持多Agent协作处理QA与开发任务。此外,Gemini Tasks向多国用户免费开放,Verce

    来源 AI 应用前沿
  5. NVIDIA RTX Spark:智能体8项任务260万token,该配什么主机?

    作者 | 毛 烁来源 | 至顶AI实验室如果智能体可以在你睡觉的时候替你干活,你需要一台怎样的电脑?我是在翻阅一份测试报告时,开始认真琢磨这个问题的。这份报告由Artificial Analysis在10月发布,测试了智能体的8项任务,包括写代码、查资料、改文件等日常工作。为了完成这8项任务,模型累计读入的提示词达到了

    来源 腾讯网
  6. GPT-6.2 Astra被批难用:开发者为何集体吐槽?

    出品|虎嗅科技组作者|黄天媛编辑|苗正卿头图|视觉中国今日凌晨,灰测了半个月的GPT-6.2终于正式发布。这次OpenAI带来的是GPT-6.2 Astra和Sol,一个旗舰,一个日常主力。顶着Anthropic、Google压力端上桌的新模型,刚一发布,就在X上被骂成了筛子,超多人批评6.2干活不好用。开发者Theo

    来源 腾讯网
  7. Gemini 4 Neon发布:跑分逼近旗舰,单任务成本砍半

    作者|Wildcard编辑|靖宇谷歌,这次是真的回来了。11 月 18 日,Google DeepMind 点亮了Gemini 4 Neon的霓虹灯牌。这是 Gemini 4 系列在短短 7 周内甩出的第 4 款元素模型。如果看一眼官方放出的基准跑分长表和社区实测反馈,你会发现它精准卡在了一个极其舒服的「甜点」位上,既

    来源 腾讯网
  8. 跑分狂飙,实测翻车,刚发的 GPT-6.2 暴露了 OpenAI 的软肋

    「基本不可用,不推荐」。OpenAI 新模型上线仅仅 8 分钟,硅谷知名创业者 Matt Shumer,就在社交平台上扔下一句毫不留情的评价。紧接着,拥有大批开发者拥趸的 Theo Browne,发了一篇长文《我为什么讨厌 GPT-6.2 Astra》。向来对前沿模型保持温和耐心的沃顿商学院教授 Ethan Molli

    来源 腾讯网
  9. DeepMind与OpenAI同日开放科学家免费计划:1万对20万

    2026年11月16日,Google DeepMind与OpenAI同日宣布大规模科学家免费计划。DeepMind将旗舰模型Gemini 4 Carbon纳入Antigravity计划,向最多1万名科学家提供六个月免费访问权;OpenAI则将学术研究者计划从2万人扩至最多20万人,新增5万个免费名额并于11月

    来源 AI 科技快讯
  10. 微软MAI Image 2.7发布:1/5价格击败GPT Image 2.6登顶

    IT之家 11 月 18 日消息,微软昨日(11 月 17 日)发布推出 MAI Image 2.7 和 MAI Image 2.7 Flash 图像生成与编辑模型,并上线由 Flash 驱动的交互式创作空间 Canvas。 费用方面,两款模型已在 Microsoft Foundry 开启公开预览,官方公布的每千张图片

    来源 AI 行业观察
  11. 腾讯混元 Hy4 flash 上线首日登顶 OpenRouter,2 毛钱就能跑完一个任务!

    在全球知名大模型聚合平台 OpenRouter LLM 日排行榜上,腾讯混元最新发布的 Hy4 flash 成功登顶,成为全球开发者高频调用的首选轻量模型之一。 数据显示,Hy4 flash 上线首日,Token 调用量就突破 50 万亿,创下混元系列模型首日调用量新高。 这份成绩背后的一个重要原因就是,Hy4 fla

    来源 AI 行业观察
  12. Gemini聊天记录保留期延至2个月,关闭历史记录也适用

    Google宣布将Gemini聊天记录的保留时间从72小时大幅延长至2个月,且无论用户是否关闭历史记录均适用。该政策将在未来几周全球推出。此举与Google此前“关闭历史记录后72小时删除”的承诺形成矛盾,再度引发外界对AI聊天数据隐私与透明度的担忧。

    来源 AI 科技快讯
  13. DeepMind与OpenAI同日扩免费名额:1万对20万研究者

    2026年11月16日,Google DeepMind与OpenAI同日宣布大规模科学家免费计划。DeepMind将旗舰模型Gemini 4 Carbon纳入Antigravity计划,向最多1万名科学家提供六个月免费访问权;OpenAI则将学术研究者计划从2万人扩至最多20万人,新增5万个免费名额并于11月23日开放

    来源 AI 行业观察
  14. Voyage Labs完成1200万美元融资:只做旅行,垂直AI代理能否站住脚

    当Muse、Gemini等通用助手把旅行规划当作演示场景时,由Google Maps前员工创办的Voyage Labs选择另一条路:只做旅行。这家初创公司完成1200万美元融资,试图用专业化AI代理在通用模型的夹缝中建立护城河。本文拆解其产品逻辑、行业背景与垂直AI代理的商业化难题。

    来源 AI 科技快讯
  15. Gmail宕机传言虚惊一场,谷歌连夜澄清并指向补丁潮与AI挖洞

    过去一周,微软365、Outlook大规模中断;11月17日苹果因内部系统更新故障,iCloud、Apple Pay等服务受影响。随后X上传出Gmail也宕机,源头或为Downdetector:美东17日中午收到超2800条故障报告,多涉及邮件接收。但该平台数据由用户众包提交,仅反映报告情况,不足以证实Gmail发生大

    来源 AI 产业速递
  16. OpenClaw报告:清华沈阳团队拆解AI智能体生态闭环?

    清华大学沈阳教授团队发布了关于OpenClaw的两份研究报告,系统梳理了从理论框架到模型迭代、再到商业落地的完整路径。文章详细解读了“一人公司”工作流的实践细节,包括ZeelinClaw模型的快速迭代、ToB技能体系的构建以及自动化接单平台的上线情况。通过金融风控、内容生成等具体案例,展示了AI智能体在提升效率方面的实

    来源 AI 应用前沿
  17. 腾讯WorkBuddy日活破1000万:日均Token超100万亿,企业500强渗透过半

    腾讯2026年第三季度财报披露,AI助手WorkBuddy截至11月初日活突破1000万,日均Token调用量超100万亿,成为中国大语言模型日均Token用量最高的AI产品。自今年3月发布以来,它已完成100多个大版本更新,迭代迅速;C端火热同时,B端也在拓展,开放平台上线仅两个月,Buddy应用已取得进展。

    来源 AI 产业速递
向下滚动自动加载更多