ViDoRe V3
PulseAugur coverage of ViDoRe V3 — every cluster mentioning ViDoRe V3 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
视觉文档检索索引易受内容重建攻击
一篇新发表在arXiv上的研究论文详细介绍了一种多向量视觉文档检索系统的漏洞，其中存储的索引可用于重建原始文档。研究表明，通过分析这些索引中的补丁向量，可以重现文档的大部分内容，包括敏感信息。研究人员测试了两种保护措施：令牌池化和打乱顺序，发现虽然它们会降低召回率，但一个能够恢复顺序的模型仍然可以有效地反转打乱顺序的索引，这凸显了对这些存储索引加强安全性的必要性。
-
Cohere 发布 Embed 5，具备多模态能力和双层级方法
Cohere 推出了 Embed 5，这是一个专为企业搜索、RAG 和代理检索设计的新型嵌入模型系列。该模型分为两个层级：Embed 5 Pro 提供最高质量，Embed 5 Fast 提供更低的延迟和成本，两者都支持多模态输入和超过 100 种语言。一个关键特性是，两个层级共享同一个嵌入空间，允许用户使用 Pro 进行索引，然后使用 Fast 进行查询，而无需重新索引。Cohere 声称 Embed 5 Pro 在特定基准测试中优于…
-
H公司发布单塔多模态编码器系列NeoMME
H公司推出了NeoMME，这是一个专为提高效率而设计的新型多模态编码器系列。这些模型提供2.6亿和8亿参数两种尺寸，无需独立的视觉塔和因果解码器，通过单一Transformer架构处理文本和图像数据。这种简化的方法旨在降低计算开销，同时保持强大的性能，其中2.6亿参数的NeoMME-Retriever在文档检索基准测试中取得了有竞争力的结果。
-
Hugging Face发布高效多模态编码器NeoMME，研究表明编码器在印度语言NER任务上表现更优
Hugging Face推出了NeoMME，一个旨在提高效率的新型多语言多模态编码器系列。与许多生成式模型不同，NeoMME使用单个双向Transformer处理文本和图像块，并采用掩码离散扩散目标从头开始训练。在针对视觉文档检索进行微调后，NeoMME-Retriever表现出强大的性能，并显著降低了存储需求。此外，一项关于Naamapadam的研究发现，在大多数印度语言的命名实体识别任务中，基于编码器的模型性能远超生成式架构。
-
新的SearchWiki框架学习导航知识维基以进行主动信息检索
研究人员开发了SearchWiki，一个旨在将语料库合成为结构化、可导航知识维基的框架。该系统训练了一个名为WikiResearcher-9B的智能体，通过多轮工具使用主动搜寻信息，并将知识组织在文档概述、跨文档主题页面和页面级来源记录中。在各种基准测试上的评估表明，WikiResearcher-9B（一个经过RL微调的Qwen 9B模型）的性能显著优于基线模型，并能媲美或超越更大的外部模型，这凸显了与扁平检索方法相比，通过结构化语料…
-
新框架提升多模态文档检索的准确性和效率 · 跟踪4个来源
研究人员开发了新的多模态文档检索框架，以提高对视觉丰富的文档进行问答的准确性。MIDR将多模态推理转移到索引时间，在准确性和效率方面比ColQwen2.5等现有方法取得了显著的进步。Doc-REFRAG通过压缩视觉标记并选择性地扩展相关标记，解决了现实世界多图像场景中的挑战，在多个基准测试中表现优于基线，且延迟更低。
-
PULSAR系统通过池化索引增强企业视觉文档搜索
一篇新的研究论文介绍PULSAR，一个面向企业视觉文档RAG的、以视觉为先的检索系统。PULSAR已部署于Mubadala Investment Company，采用池化、晚交互式索引来高效搜索如pitch decks和board packs等密集型文档。与传统的OCR和口语化方法相比，此方法显著降低了延迟和成本，同时保持了高检索准确性。自2026年3月部署以来，PULSAR已处理了大量交易中的文档和页面，提高了答案事实的召回率。
-
新方法增强VLM文档布局理解能力
研究人员开发了一种新方法，以提高视觉语言模型（VLM）对文档布局的理解能力，特别是对于训练期间未见过的结构文档。该方法使用一个轻量级检测器预先解析布局信息，并将其注入VLM的提示中，使模型能够更好地区分布局和内容处理。该技术显著提高了在分布外基准测试上的性能，减少了错误，并提高了结构准确性，同时只增加了少量的延迟。