AI 模型库：大模型、Agent 与开发工具
收录并解读主流 AI 模型、Agent 与开发工具的能力、场景与选型对比。
标签：文档AI
共 27 篇文章 · 清除标签
Mistral OCR 4 – Mistral AI 推出的最一代文档理解模型
Mistral OCR 4 是法国人工智能公司 Mistral AI 于 2026 年 6 月推出的最新一代文档理解模型，专注于从 PDF、图片、演示文稿等复杂文档中高精度提取文本与结构化信息。该模型支持 170 种语言，能够返回带边框定位、区域类型分类和逐词置信度评分的结构化输出，专为检索增强生成（RAG）、智能体工作流和企业搜索等下游场景设计，在独立人工评估中平均胜率达到 72%，并以每千页 ...
PP-OCRv6 – 百度飞桨 PaddleOCR 开源的第六代 OCR 模型
PP-OCRv6 是百度飞桨 PaddleOCR 团队推出的第六代开源 OCR 模型，首次以三档规格（Tiny 1.5M、Small 7.7M、Medium 34.5M）覆盖从浏览器端到服务器的全算力平台。相比上一代，检测精度提升 4.9%，识别精度提升 5.1%，其中 Medium 档在 Intel Xeon CPU 上端到端推理仅需 1.40 秒，速度达到 v5_server 的 5.2 倍；...
BigSet – TinyFish 开源的多智能体实时网络抓取工具
BigSet是由美国初创公司TinyFish推出的开源多智能体实时网络抓取系统，采用AGPL-3.0协议。用户仅需用自然语言描述所需数据，系统即可自动推断表结构、派遣智能体从实时网络抓取数据、去重验证，最终生成可导出的CSV/XLSX结构化数据集。基于Mastra框架构建的多智能体编排架构，结合Claude Sonnet与Qwen模型进行语义分析与任务调度，支持30分钟至每周的定时刷新，让数据集保...
PaddleOCR-VL-1.6 – 百度推出的文档解析视觉语言模型
PaddleOCR-VL-1.6 是百度飞桨团队推出的面向文档解析的视觉语言模型（VLM），以仅 0.9B 参数在 OmniDocBench v1.6 权威基准上达到 96.33% 的全新 SOTA 成绩，全面超越开源与闭源方案。该模型采用“版面分析+VLM识别”的两阶段解耦架构，通过纯数据驱动的训练策略升级，实现了文本、公式、表格、古籍、印章等多场景的精准解析，同时支持零成本从 1.5 版本迁移...
Confucius4 – 网易有道开源的多模态推理模型
Confucius4是网易有道AI团队基于Qwen3.5-27B架构推出的开源多模态大模型，专为高级数学推理场景设计。该模型通过创新的迭代SFT+RL训练范式、纯文本推理数据增强及精细化思维链优化，在同等规模模型中达到SOTA性能，同时实现推理链长度降低43.2%。模型针对中文用户定向优化，输出更符合中文语言习惯与文化背景，支持免费商用。
Chronicles-OCR – 腾讯联合高校等推出的视觉感知评测基准
Chronicles-OCR 是腾讯混元联合中国科学院信息工程研究所、安阳师范学院、南开大学及故宫博物院共同推出的业界首个覆盖中国汉字“七体之变”完整演化轨迹的跨时间视觉感知评测基准。该基准包含 2,800 张高质量图像，系统涵盖甲骨文、金文、篆书、隶书、楷书、行书、草书七大字体，通过阶段自适应标注范式与四大评测任务，系统评估视觉大语言模型在面对数千年汉字形态持续演变时的感知鲁棒性与泛化能力。
MiniCPM-V 4.6 – OpenBMB 开源的端侧多模态大模型
MiniCPM-V 4.6 是由面壁智能（OpenBMB）推出的端侧多模态大模型，其语言模型（LLM）参数量仅为 1.3B，专为移动设备本地部署深度优化。该模型基于 llama.cpp 推理框架实现，全面支持 iOS、Android 及 HarmonyOS NEXT 三大移动操作系统，能够在完全离线状态下运行。模型整体体积约 1.6GB（Q4_K_M 量化），最低仅需 6GB 内存即可流畅运行，在...
