英伟达推出了全新的人工智能模型“Eagle”，该模型通过混合多种视觉编码器，显著提升了机器对视觉信息的理解和交互能力。

Eagle 的一个关键创新是能够处理高达 1024×1024 像素分辨率的图像，使得 AI 能够捕捉对光学字符识别（OCR）等任务的重要细节。Eagle 采用了多个专用的视觉编码器，每个编码器都针对不同的任务进行训练，如对象检测、文本识别和图像分割。通过结合这些不同的视觉“专家”，模型能够比依赖单一视觉组件的系统更全面地理解图像。

Eagle 的另一个创新之处在于其简单的融合设计。研究发现，将来自一组互补视觉编码器的视觉标记简单连接起来，与更复杂的混合架构或策略一样有效。这种设计不仅提高了效率，也提升了性能。“我们发现，简单地将一组互补视觉编码器的视觉标记连接起来，与更复杂的混合架构或策略一样有效，”团队报告说。

在训练策略上，Eagle 引入了预对齐阶段，通过这一阶段，非文本对齐的视觉专家与大型语言模型分别进行微调，以增强模型的一致性。这种方法有效地弥合了视觉编码器与语言模型之间的差距，提升了整体性能。

英伟达的Eagle模型与其他领先的多模态AI系统进行了全面的性能比较，Eagle在各种基准测试中展现出了优越结果。在法律、金融服务和医疗保健等面临大量文档需要处理的行业，Eagle改进的OCR能力可以更准确和高效，节省大量时间成本。此外，Eagle还可以减少文档分析任务中的错误，显著改善决策参考的依据。

Eagle在视觉问题回答和文档理解任务中的性能提升也将使其应用更加广泛。例如，在电子商务中，改进的视觉AI可以增强产品搜索和推荐系统，带来更好的用户体验。在教育领域，这种技术可以提供更复杂的数字学习工具，能够向学生解释视觉内容。

英伟达已经将 Eagle 开源，向 AI 社区发布了代码和模型权重。英伟达在模型卡中解释说：“英伟达相信可信AI是共同的责任，我们已建立了政策和实践，以促进广泛AI应用的开发。”