vision-llm

苹果在 WWDC 2026 上发布了新一代 Siri AI 功能，包括基于 Gemini 的定制模型和集成 PyTorch 的全新 Core AI 库，该库运行在 Google Cloud 的 NVIDIA GPU 上，置于 Private Cloud Compute 环境中。

一项对比测试，将具备视觉能力的LLM（原生PDF阅读模式）与基于OCR的流程在30份长且图片密集的PDF上进行比较，发现带有布局提取的OCR在图表/表格密集的页面上仍优于视觉模型，且失败率为0%，而原生PDF为7%，尽管样本量较小且许多差距在噪声范围内。