视觉大模型 / VLM

视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。

2026-02-25 至 2026-02-25 共收录 1 篇信号源：cs.CV, cs.AI, cs.LG

1. 文档图表理解 1 篇

2602.21053 2026-02-25 cs.CV 57%

OCR-Agent: 具有能力和记忆反思的代理OCR

Shimin Wen, Zeyu Zhang, Xingdou Bian, Hongjie Zhu, Lulu He, Layi Shama, Daji Ergu, Ying Cai

机构 * Southwest Minzu University（西南民族大学）； AI Geeks

专题命中文档图表理解：vision-language model(abstract)；分类 cs.CV

AI总结 OCR-Agent通过能力反思和记忆反思机制，提升VLMs的推理鲁棒性，实现更稳定的答案质量改进。

↑