OCR噪声直接命中了RAG的软肋~
在RAG系统中，基于OCR的非结构化PDF文档抽取导致知识库中的语义噪声和格式噪声问题，影响RAG系统的性能。OHRBench评估了当前OCR解决方案，并推荐使用Marker实现最佳检索性能，但所有解决方案仍存在性能下降。
PaperAgent
llya年终总结：预训练将到头，未来是Agentic
OpenAI 联合创始人 Ilya Sutskever 在 NeurIPS 2024 上演讲，认为数据资源接近极限且预训练模型即将终结，未来 AI 将更依赖于自主智能体和合成数据，并可能达到超级智能状态。
DeepSeek-VL2开源，VLM迈入MoE时代~
DeepSeek-VL2是先进的大型混合专家视觉-语言模型系列，显著改进了其前身DeepSeek-VL，在包括视觉问题回答、光学字符识别、文档/表格/图表理解以及视觉定位等多种任务上表现出卓越的能力。
谷歌Gemini 2.0归来仍然是Agentic！
谷歌发布Gemini 2.0 Flash AI多模态模型，在快速响应下提供增强性能，支持图像、视频及音频等多模式输入输出，能调用Google搜索和代码执行工具。项目Astra探索通用AI助手功能，Project Mariner从浏览器开始研究人机交互未来；Jules帮助开发人员。
HtmlRAG开源，RAG系统联网搜索能力起飞~
HtmlRAG通过使用HTML而非纯文本作为外部知识的格式，在长上下文环境下提高了检索系统的效果，并在多个问答数据集上优于或等同于现有基于纯文本的方法。
一篇78页大模型GUI Agents全面综述~
本文综述了LLM驱动的GUI智能体的发展和进步，讨论了它们的历史演变、核心组件和技术，并展示了智能体如何通过自然语言处理技术执行多种任务，包括Word、Photos、浏览器、Adobe Acrobat和PowerPoint操作等。