尽管红外小目标检测（IRSTD）对于国防和监视至关重要，但由于以下原因，它仍然是一项具有挑战性的任务：(1) 目标特征极少导致目标丢失，(2) 复杂环境中的虚警，(3) 低显著性导致的漏检，以及 (4) 高计算成本。为了解决这些问题，我们提出了 TY-RIST，一种优化的 YOLOv12n 架构，具有以下特点：(1) 具有细粒度感受野的步长感知骨干网络，(2) 高分辨率检测头，(3) 级联坐标注意

小目标"的界定具有显著场景依赖性。在标准COCO数据集中，目标面积<32×32像素的物体被定义为"小目标”，这类目标在数据集中占比约41%。遥感影像：在DOTA-v2.0数据集中，<16×16像素的目标被视为极小目标，这类目标在航拍图像中占比较高，且类别分布不均工业质检：微米级缺陷在高分辨率图像中可能仅占几个像素，如PCB板上的焊点短路、纺织品中的细小断丝无人机巡检：在VisDrone2019数据

https://www.mdpi.com/2072-4292/17/14/2421针对复杂场景和密集分布的小目标，在无人机图像的小目标检测场景中，这经常导致严重的误检和漏检。因此，我们提出了一种无人机图像小目标检测算法，命名为SMA-YOLO。首先，在骨干网络中集成了一个无参的简单切片卷积模块，对特征图进行切片和增强，以有效保留小目标的特征。随后，为了增强上下层之间的信息交换，我们设计了一个特殊的

我们推出了PaddleOCR-VL-1.5，该升级模型在OmniDocBench v1.5上达到了94.5%的最新最高水平（SOTA）准确率。为了严格评估模型对真实世界物理畸变（包括扫描、倾斜、弯曲、屏幕翻拍和光照变化）的鲁棒性，我们提出了Real5-OmniDocBench基准测试。实验结果表明，该增强模型在新构建的基准测试上获得了SOTA性能。此外，我们通过融入印章识别和文本定位任务扩展了模型

目前对世界的建模方法大多局限于短语言序列或短图像和片段序列 [BMR+ 20, TLI+ 23, TMS+ 23, Ope23, TAB+ 23]。这导致模型缺乏对难以用文本或短片段表示的世界部分的理解，并且无法处理复杂的长篇语言和视觉任务。视频序列中的时间结构提供了有用的信息，这些信息在语言中缺失或在静态图像和短片段中不那么明显。长语言序列编码了短序列无法编码的信息，这对于各种应用（如长文档检索

EPSANet通过引入金字塔挤压注意力模块，成功地提升了卷积神经网络在多尺度特征提取方面的能力。其灵活的设计使得EPSANet能够广泛应用于各种计算机视觉任务，展现出良好的泛化性能和高效性。该研究为未来的深度学习模型设计提供了新的思路和方法。

本工作通过对过去五年架构进步的利用，系统地研究了如何现代化视觉Transformer（ViT）骨干网络。在保留经典的注意力-前馈神经网络（Attention-FFN）结构的同时，我们进行了组件级的优化，涉及归一化、激活函数、位置编码、门控机制和可学习令牌。这些更新构成了新一代视觉Transformer，我们称之为ViT-5。大量实验表明，ViT-5在理解和生成基准测试中 consistently

训练早期，one2many 的密集梯度帮助主干快速学习特征；训练晚期，模型已经学好，这时让 one2one 成为主导——它与推理期分配一致，能 close"training-serving gap"。

随着高分辨率路面图像为路面状况提供动态数字孪生，精准的裂缝分割成为构建智能养护系统的关键步骤。然而，大多数现有分割模型假设均匀采样条件并依赖固定参数，限制了其在多样化真实环境下的泛化能力。为应对这一挑战，我们提出一种深度正交增强生成模型（Deep Orthogonal-Enhanced Generative Model, DORGM）用于鲁棒的路面裂缝分割。所提出的框架引入两项关键创新：(1)正交

在大模型厂商眼里，我们可以把一次提问简单看成一个向大模型提出的请求（Request），一个请求会包含输入、输出两部分，也就是用户先向模型提问，模型在理解问题、分析结果之后给出答案。火山引擎最新发布的大模型Doubao-pro-32k，表面上显示模型的推理输入价格仅为0.0008元/千Tokens，但是并没有在发布会上展示模型的输出价格0.002元/千tokens，在通过加权平均输入、输出价格后（按