技术博客

最新的技术报告《MiniCPM-V 4.5》发布，系统性地提出了三项关键技术突破。首先，引入统一的3D-Resampler架构，实现高密度视频压缩，显著提升视频数据的存储与传输效率，推动3D压缩技术迈向新高度。其次，报告提出面向文档的统一OCR技术与知识学习范式，增强文本识别精度与语义理解能力，全面提升文档智能处理水平。最后，创新性地设计了可控的混合快速/深度思考的多模态强化学习机制，使系统在多样化应用场景中具备灵活的认知与决策能力。该报告为多模态智能系统的优化提供了重要技术路径。

在多模态和文档智能领域，OCR-free感知多模态大模型技术链路及其训练数据细节引起了广泛关注。GOT模型作为Vary模型的延续，通过三个阶段的训练过程，逐步增强了模型在多种OCR任务上的表现。这些任务从简单的纯文本识别扩展到更复杂的格式化文本和通用OCR任务，展示了其强大的适应性和灵活性。