这项由清华大学、中国科学时期大学、南京大学以及Kwai Keye团队聚拢开展的商讨发表于2025年8月，论文题为《Thyme: Think Beyond Images》，为多模态大语言模子领域带来了全新败坏。有益思意思深入了解的读者不错通过论文贯串https://thyme-vl.github.io/和代码仓库https://github.com/yfzhang114/Thyme获取完满信息。

当咱们濒临一张恶浊不清的旧照转眼，无为会猜想用修图软件来诊疗亮度、剪辑无关部分或者旋转角度。面前，东说念主工智能也学会了这套技能，何况比咱们遐想的更利害——它不仅能"看懂"图片需要什么样的处理，还能我方写代码来完成这些操作。

这项商讨的中枢在于让AI模子具备了一种全新的才智：就像一个训导丰富的图片编著师，它好像判断一张图片存在什么问题（比如角度不合、对比度太低、需要放大某个细节等），然后自主编写Python代码来处治这些问题。更令东说念主惊喜的是，除了处理图片，它还能进行复杂的数学诡计，把抽象的数学推理升沉为可实施的代码。

商讨团队将这个系统定名为Thyme（Think Beyond Images），寓意超越传统的图像相识方式。与以往那些只可"看图语言"的AI模子不同，Thyme更像是一个万能的助手，它不仅能相识图片内容，还能主动"出手"处治问题。

遐想一个场景：你向AI展示一张包含复杂图表的学术论文截图，图片既小又恶浊，上头的翰墨简直看不显现。传统的AI模子可能会告诉你"图片不够显现，无法识别"。但Thyme会像一位专科的商讨助理，先分析问题所在，然后自动编写代码来剪辑图表的过错部分、放大尺寸、增强对比度，直到好像显现读出图表中的数据。若是波及数学诡计，它还会编写诡计代码来考证末端的准确性。

这种才智的已毕并非惟恐。商讨团队接收了一种神秘的两阶段闇练战略：最初通过监督学习让模子掌捏基础的编程技能，就像教给学生基本的用具使用措施；然后通过强化学习进一步优化模子的决策才智，让它学会在什么时候使用什么用具，若何组合不同的操作来达到最好效果。

为了确保代码的准确性和实用性，商讨团队还斥地了一个专门的"沙盒"环境。这个沙盒就像一个安全的实验室，AI生成的代码会在这里运行，既保证了系统安全，又能将处理末端反映给AI，让它凭阐发施效果进行下一步的推理和操作。

在履行测试中，Thyme在近20个不同的评估基准上皆展现出了权贵的性能普及。特地是在处理高分辨率图像和复杂数学推理任务时，它的发扬尤为杰出。这意味着岂论是学生处理功课中的图表，照旧商讨东说念主员分析实验数据，Thyme皆能提供履行性的匡助。

一、从被迫"看图"到主动"处理"的翻新性调度

传统的多模态AI模子就像一个只会不雅察的旁不雅者，岂论你给它展示什么样的图片，它皆只可基于现时看到的内容给出酬金。若是图片本人存在问题——比如角度歪斜、明后阴暗、细节恶浊——它通常无法可想，只可勉强给出不够准确的谜底。

这种局限性在履行应用中形成了好多困扰。比如，当你用手机拍摄一份遑急文档，由于角度问题导致翰墨歪斜，或者明后欠安形成翰墨看不显现时，传统AI模子很难准确识别内容。濒临包含小字体标注的复杂图表，它们也通常因为分辨率不及而给出谬妄的解读。

Thyme的出现绝对蜕变了这一近况。它就像从一个被迫的不雅察者进化成了一个主动的问题处治者。迎濒临有问题的图转眼，它不会通俗地和洽或猜度，而是会主动分析问题的根源，然后编写相应的代码来改善图片质料。

这种调度的趣味趣味远不啻于时期层面的进步。它代表了AI与图像交互方式的根人性变革。以前，图像对AI来说是静态的输入，面前则成为了不错动态处理和优化的对象。AI不再是图像的被迫给与者，而是积极的处理者和优化者。

商讨团队在遐想Thyme时，特地注重了四个中枢原则。最初是功能的丰富性：除了基本的剪辑和缩放，Thyme还能进行旋转、对比度诊疗等千般化操作，以致能处理复杂的数学诡计。其次是高度的自主性：模子好像自行判断是否需要进行图像处理，遴荐什么样的处理方式，所有不需要东说念主工过问。第三是闇练的高效性：通过全心遐想的闇练战略，仅用200个GPU小时就激活了模子的全部功能。最后是性能的厚实性：在各式不同类型的任务中皆发扬出了持续而权贵的改进。

为了已毕这些策动，商讨团队构建了一个包含50万个样本的高质料闇练数据集。这些数据涵盖了检朴单的图像操作到复杂的数学诡计等各式场景。特地值得一提的是，他们还专门汇注了1万张高分辨率的复杂图像，这些图像的处理难度对东说念主类来说皆颇具挑战性，为模子提供了充足的"实战闇练"契机。

二、智能沙盒：AI代码实施的安全实验室

任何编程责任皆需要一个可靠的运行环境，关于AI自动生成的代码来说更是如斯。Thyme系统的一个过错构成部分即是专门遐想的"沙盒"环境，它就像一个高度安全的实验室，既保证了代码好像平时实施，又防卫了潜在的安全风险。

这个沙盒的遐想理念雷同于专科软件斥地中的容器化时期，但针对AI生成代码的特质进行了专门优化。商讨团队发现，鸿沟较小的AI模子（比如70亿参数的模子）在生成代码时无为出现一些"小特殊"：代码步地不范例、变量界限处理不妥、输入输出界说不清等。这些问题虽然看起来微不及说念，但却会导致所有这个词代码无法运行。

为了处治这些问题，沙盒环境配备了多项自动征军功能。它会自动处理代码步地问题，就像一个把稳的编著会自动雠校著作中的标点记号和段落缩进。关于图像处理中常见的界限越界问题，沙盒会智能诊疗参数，确保剪辑区域不会超出图像范围。它还会事先配置常用变量和导入必要的范例库，让AI生成的代码好像凯旋运行，而不需要处理这些时期细节。

安全性是沙盒遐想的另一个遑急考虑。系统会扫描代码中的危急操作，如文献删除、系统修改等，一朝发现这类教唆就会圮绝实施并发出劝诫。同期，每个代码的实施时辰被限制在10秒以内，防卫范例堕入无尽轮回或破费过多资源。

更道理的是，沙盒还具备"学习顾忌"功能。当AI需要在多轮对话中实施代码时，沙盒会记着之前运行过程中界说的变量和导入的库，让后续代码好像凯旋使用前边的末端。这就像一个商讨款式中的实验纪录，每一步的末端皆为下一步奠定基础。

三、两阶段闇练：从基础技能到高等决策

造就AI自主编写和实施图像处理代码，就像培养别称万能的图片编著师，需要步骤渐进的闇练过程。商讨团队遐想了一个神秘的两阶段闇练战略，第一阶段专注于基础技能的培养，第二阶段则防备普及决策判断才智。

在第一阶段的监督学习中，商讨团队准备了丰富千般的闇练样本。这些样本就像一册良好的教学手册，涵盖了各式可能遭逢的情况和相应的处治决议。比如，当遭逢角度歪斜的文档照转眼，应该若何编写旋转代码；濒临对比渡过低的图表时，应该接收什么样的增强算法；需要索要图片中特定区域的信息时，应该若何细目剪辑坐标等等。

特地值得一提的是，商讨团队在构建闇练数据时终点注重实用性和千般性。他们从400多万个原始数据源顶全心筛选出50万个高质料样本，确保每个样本皆具有明确的教学价值。这些样本不仅包括各式图像操作场景，还涵盖了数学诡计任务，让模子好像掌捏跨领域的问题处治才智。

为了提高闇练遵守，商讨团队接收了一些创新的战略。比如，在处理多轮对话的闇练样本时，他们只让模子学习最后一轮的输出，幸免学习到一些不良模式（如特意在第一轮生成谬妄代码，然后在第二轮雠校）。关于沙盒实施末端，系统会自动过滤掉这部老实容，只让模子学习若何生成代码和分析末端，而不是顾忌特定的实施输出。

第一阶段闇练完成后，模子还是具备了基本的代码生成才智，但在判断什么时候需要使用用具、若何组合不同操作等决策方面还不够老到。这时就需要过问第二阶段的强化学习闇练。

强化学习阶段就像让AI在真实环境中积蓄训导。系统会给出各式不同的图像和问题，让模子自主决策和行动，然后凭证最撤废尾的质料予以奖励或刑事包袱。这个过程雷同于培养别称大夫的临床判断才智：表面常识是基础，但真实的专科水平需要通过大批实践案例来闇练。

在这个阶段，商讨团队特地原谅了代码生成的厚实性问题。他们发现，若是在生成代码时使用较高的当场性配置，虽然能饱读吹模子探索不同的处治决议，但也容易产生语法谬妄或逻辑问题。为了处治这个矛盾，他们斥地了一种自适合温度采样战略：在生成天然语言推理时保持较高的创造性，而在生成代码时则接收更保守的战略，确保代码的正确性和可实施性。

四、GRPO-ATS算法：智能决策的双重圭臬

在强化学习阶段，商讨团队面终末一个道理的挑战：若何让AI既能保持创造性念念维，又能生成准确可实施的代码？这就像条件一个东说念主既要有天马行空的遐想力，又要有严谨精准的实施力，看似矛盾的需求需要神秘的均衡。

为了处治这个问题，商讨团队斥地了一种名为GRPO-ATS（带自适合温度采样的群体相对战略优化）的新算法。这个算法的中枢念念想是对不同类型的内容接收不同的生成战略，就像一个训导丰富的作者知说念什么时候该剖析遐想力，什么时候该严格罢职语律例定。

在生成天然语言推理过程时，算法会接收较高的"温度"配置，饱读吹模子探索千般化的念念路和抒发方式。这就像头脑风暴时的解放盼愿，允许各式创意和可能性暴露。但当模子运转生成具体的代码时，算法会自动切换到零温度模式，确保每个字符、每个记号皆是细目和准确的。

这种动态切换的战略带来了权贵的改善。在实践中，商讨团队发现许多闇练样本之是以无法使用，通常是因为代码中的微弱谬妄，比如一个迷漫的空格、一个谬妄的变量名，或者一个遗漏的记号。这些看似微不及说念的问题却能让整段代码失效，浪费了可贵的闇练资源。通过GRPO-ATS算法，代码的可用性得到了大幅普及，闇练遵守也随之提高。

算法的另一个创新点在于引入了早期间隔机制来处理重叠性输出。有时候模子会堕入某种轮回模式，不断生成相似或重叠的内容，这不仅浪费诡计资源，也影响闇练质料。系统会及时监测输出内容，一朝发现某个子串的重叠进度卓越阈值（累计长度占总输出的50%以上），就会立即住手该样本的生成过程。

这种遐想体现了商讨团队对AI学习过程的深入相识。他们矍铄到，有用的AI闇练不仅要有好的数据和算法，还要有智能的质料适度机制，确保每个闇练样本皆能剖析最大价值。

五、奖励机制遐想：多维度评价体系

在强化学习中，若何评价AI的发扬是一个过错问题。就像评判别称学生的空洞教诲不可只看考试分数一样，评价Thyme的才智也需要一个多维度的评价体系。商讨团队全心遐想了一套包含步地范例、末端准确性和逻辑一致性的空洞奖励机制。

步地奖励确保模子的输出稳当预设的结构条件。Thyme的输出需要包含明确的念念考过程（用特定标签标记）和最终谜底（也用特定标签标记），这种步地化的条件有助于提高输出的可读性和可处感性。就像写稿时需要有显现的段落结构一样，结构化的输出让东说念主们更容易相识AI的推理过程。

末端奖励原谅谜底的准确性，但考虑到好多问题的谜底并不是圭臬化的数字或公式，商讨团队接收了混杂评价战略。关于好像凯旋比较的谜底，系统会进行精准匹配；关于更复杂的通达性问题，则会借助另一个大型多模态模子来评估语义相似性和内容正确性。这种措施既保证了评价的客不雅性，也适合了履行应用中谜底神色千般化的特质。

一致性奖励评估推理过程与最终谜底之间的逻辑连贯性。有时候模子可能会给出正确的谜底，但推理过程却存在逻辑卓越或矛盾之处。这种情况就像学生在考试中正好猜对了谜底，但解题过程所有谬妄一样，看似正如实则存在问题。一致性奖励机制好像发现这种问题，饱读吹模子发展愈加严谨和连贯的推理才智。

为了防卫模子过度追求一致性而忽略谜底准确性，商讨团队接收了一个神秘的组合战略：唯有当谜底正确时，一致性奖励才会收效。最终奖励的诡计公式是：末端奖励 × (1 + 0.5 × 一致性奖励 + 0.5 × 步地奖励)。这种遐想确保了谜底准确性长期是最遑急的评价圭臬，而其他身分起到辅助和优化的作用。

六、实验末端：全场所性能普及的考证

为了全面考证Thyme的才智，商讨团队在近20个不同的评测基准上进行了详备的实验。这些基准涵盖了感知、推理和通用任务三大类别，就像一场万能畅通员的空洞测试，从多个角度陶冶模子的履行发扬。

在感知任务方面，Thyme发扬出了权贵上风。以MME-RealWorld基准为例，这个测试专门针对高分辨率的真实宇宙场景，包含了许多对东说念主类来说皆颇具挑战性的视觉识别任务。在这类任务中，Thyme比拟基础模子获取了6-10%的性能普及，特地是在处理监控视频和自动驾驶场景等复杂环境时，改善幅度以致卓越了25%。

这种改善的原因很容易相识。迎濒临一张包含大批小策动的高分辨率图像时，传统模子通常难以准确识别其中的细节信息。而Thyme好像主动剪辑和放大过错区域，就像使用放大镜来不雅察细节一样，天然好像获取更准确的识别末端。

在推理任务方面，Thyme相通发扬出色。数学推理一直是多模态AI的薄弱过错，因为它需要模子不仅能相识图像中的信息，还要进行复杂的逻辑推导和数值诡计。通过将复杂诡计升沉为可实施代码，Thyme幸免了许多诡计谬妄，在MathVista等数学推理基准上获取了持续的性能普及。

特地道理的是，商讨团队发现Thyme在通用任务上也展现出了彰着上风。这包括减少幻觉情景（AI杜撰不存在的信息）、改善对话质料等方面。这种"无意成绩"标明，图像处理和代码生成才智的普及对模子的举座智能水平产生了积极影响。

通过与其他先进模子的对比，商讨末端骄气Thyme-7B在许多任务上以致超越了参数鸿沟更大的模子，这阐述了神秘的遐想和闇练战略比单纯增多模子鸿沟愈加有用。这个发现关于资源有限的商讨团队和企业具有遑急趣味趣味，说明通过创新的措施不错在不大幅增多资本的情况下权贵普及AI系统的性能。

七、深入分析：闇练战略的过错作用

为了深入相识Thyme得手的原因，商讨团队进行了详备的消融实验，一一分析各个组件和战略的孝顺。这些分析就像解构沿途复杂菜品的制作过程，匡助咱们相识每个门径的遑急性。

在监督学习阶段，商讨团队发现几个过错战略对最终性能起到了决定性作用。最初是"沙盒内容屏蔽"战略：在闇练过程中，模子只学习若何生成代码和分析末端，而不学习预测沙盒的具体输出。这种作念法防卫了模子产生不切履行的期望，让它专注于学习真实遑急的技能。

"仅闇练最后轮次"战略相通遑急。在多轮对话的闇练样本中，若是让模子学习所有轮次的输出，它可能会学到一些不好的模式，比如特意在前几轮生成谬妄的代码，然后在最后一轮给出正确谜底。通过只让模子学习最终轮次的输出，系统饱读吹模子一次性给出高质料的酬金。

数学数据的单独退火闇练也剖析了遑急作用。由于数学诡计样本在所有这个词闇练围聚占比较小，若是与其他样本混杂闇练，模子很难充分掌捏数学代码生成的技巧。通过在图像处理闇练完成后专门进行数学诡计的强化闇练，模子好像更好地均衡不同类型的才智。

在强化学习阶段，奖励机制的遐想相通阅历了反复的试验和优化。商讨团队发现，通俗地饱读吹模子生成更多代码并不可带来性能普及，反而可能导致模子生成无须要的复杂操作。真实有用的是让模子学会判断什么时候需要用具协助，什么时候不错凯旋酬金，这种判断力的培养比单纯的用具使用技能愈加遑急。

一致性奖励的引入带来了无意的成绩。在闇练初期，虽然模子的谜底准确率达到了50%傍边，但一致性得分仅有15%，这意味着许多正确谜底阑珊合理的推理复古。跟着闇练的进行，一致性得分安靖普及到35%，这种改善不仅提高了模子输出的确切度，也增强了用户对系统的信任感。

八、得手案例展示：从表面到实践

表面分析天然遑急，但真实的得手案例更能展示Thyme的履行价值。商讨团队汇注了大批履行应用场景中的测试案例，这些案例生动地展示了系统在不哀怜况下的发扬。

在处理街景识别任务时，Thyme展现出了出色的自主判断才智。濒临一张包含街说念符号的高分辨率相片，传统模子可能会因为符号在整张图片中占比很小而难以准确识别。Thyme则会最初分析图像内容，发现符号位置，然后编写代码将计划区域剪辑出来并放大，最终准确识别出符号上的翰墨内容。所有这个词过程所有自主完成，无需东说念主工过问。

在文档处理方面，Thyme的发扬相通令东说念主印象深切。当处理一份因拍摄角度问题导致翰墨歪斜的文档图转眼，系统好像自动检测到角度偏差，生成相应的旋转校正代码，将文档收复到平时的阅读角度。关于对比渡过低导致翰墨恶浊的情况，系统会自动应用对比度增强算法，让翰墨变得显现可读。

数学诡计任务展示了Thyme跨域才智的刚劲之处。濒临一个波及对数诡计的复杂数学问题，传统模子可能会在默算过程中出现谬妄。Thyme则会将数学推理过程升沉为Python代码，利用诡计机的精准诡计才智得出准确末端。这种措施不仅提高了准确率，还让所有这个词解题过程愈加透明和可考证。

特地值得一提的是系统处理连气儿多步操作的才智。在某些复杂任务中，可能需要先剪辑图像的特定区域，再对剪辑后的图像进行旋转和对比度诊疗，最后索要其中的文本信息。Thyme好像自主计划这一系列操作的执法，并确保每一步的末端皆能为下一步提供准确的输入。

天然，系统也存在一些局限性。比如，在处理一些对东说念主类来说不言而谕但对AI来说复杂的问题时，Thyme有时会"小题大作念"，为通俗问题编写无须要的复杂代码。在某些情况下，模子对图像区域的定位可能不够精准，导致剪辑效果不睬想。这些问题为将来的改进指出了标的。

九、时期创新的深层趣味趣味

Thyme的得手不单是是一个时期末端，更代表了东说念主工智能发展念念路的遑急调度。传统的多模态AI就像一个只会"看"的不雅察者，而Thyme则更像一个好像"出手"的实践者。这种从被迫给与到主动处理的调度，预示着AI系统正执政着愈加实用和智能的标的发展。

这种调度的趣味趣味不错从多个层面来相识。从时期角度看，Thyme阐述了将记号推理（代码生成）与感知才智（图像相识）有机赓续的可行性。以前，这两种才智通常被诀别商讨和斥地，很少有系统好像将它们无缝整合。Thyme的得手为构建愈加空洞性的AI系统提供了有价值的训导。

从应用角度看，这种时期为处治履行问题提供了新的念念路。在好多履行应用场景中，输入数据通常存在各式问题：图片恶浊、角度不合、明后欠安等等。传统的处治决议无为需要东说念主工预处理或者专门的预处理模块。Thyme展示了一种愈加优雅的处治决议：让AI系统具备自我优化输入数据的才智，从而在泉源上改善处理效果。

从教师角度看，Thyme的责任方式也为AI教师提供了新的范例。它不是通俗地顾忌谜底或师法东说念主类的行动，而是学会了分析问题、制定处治决议、实施操作并考证末端的完满经过。这种问题处治的系统性措施关于培养AI的通用智能具有遑急趣味趣味。

更遑急的是，Thyme展示了"用具使用"在AI发展中的遑急价值。就像东说念主类的智能很猛进度上来自于使用用具的才智一样，AI系统的智能水平也可能通过掌捏和哄骗各式用具得到权贵普及。代码生成只是用具使用的一种神色，将来的AI系统可能会掌捏更多类型的用具，从而具备更强的问题处治才智。

十、面向将来的念念考与瞻望

虽然Thyme取得了令东说念主防备的末端，但商讨团队也敦厚地指出了现时系统的一些局限性，这些局限性履行上为将来的商讨标的指明了说念路。

紧要的限制来自于基础模子的才智界限。Thyme的发扬很猛进度上依赖于底层语言模子的相识和推理才智。现时的70亿参数模子在精准的策动定位和复杂代码生成方面仍有不及，这有时会导致剪辑操作不够精准或生成的代码难以实施。跟着更刚劲基础模子的出现，这些问题有望得到缓解。

评估体系的局限性是另一个值得原谅的问题。现时大多数圭臬化测试皆基于高质料、圭臬角度的图像，阑珊对图像旋转、对比度诊疗等特殊处理才智的专门评估。这种评估环境与履行应用场景存在一定差距，可能无法充分体现Thyme的独到上风。斥地愈加逼近履行应用的评估基准是将来责任的遑急标的。

从更普遍的视角来看，Thyme的得手为多模态AI的发张开辟了新的可能性。最初，它阐述了"测试时推广"战略的有用性：通过在推理过程中动态调用用具和实施操作，AI系统不错在不增多模子鸿沟的情况下权贵普及才智。这种念念路关于资源受限的应用场景具有遑急价值。

其次，Thyme展示了强化学习在多模态任务中的浩繁后劲。通过全心遐想的奖励机制和闇练战略，强化学习不仅好像优化模子的行动，还能培养模子的决策判断才智。这为斥地愈加智能和自主的AI系统提供了遑急启示。

最后，代码生成动作AI才智推广妙技的得手应用，预示着将来AI系统可能具备更强的自我推广才智。通过学习使用各式用具和编写不同类型的范例，AI系统有望败坏预闇练时的才智界限，在濒临新问题时展现出更强的适合性和创造性。

从产业应用的角度来看，Thyme的时期道路为好多履行应用场景提供了新的处治念念路。在文档数字化领域，这种时期不错权贵改善扫描文档的处理质料；在医学影像分析中，自动的图像预处理和区域索要好像提高会诊的准确性；在教师时期中，好像相识和处理手写功课图片的AI系统将为在线教师提供更好的接济。

总的来说，Thyme不单是是一个时期末端，更是AI发展念念路调度的遑急标志。它展示了从被迫相识到主动处理、从单一功能到空洞才智、从固定模式到活泼适合的发展标的。这种调度预示着将来的AI系统将具备更强的实用性和智能水平，好像更好地处事于东说念主类的各式需求。

商讨团队还是将Thyme的数据集、代码和闇练措施所有开源，这不仅体现了学术界的通达精神，也为后续商讨提供了坚实基础。确信在更多商讨者的共同勇猛下，这一时期标的将会取得更大北坏，最终让AI系统具备真实的问题处治才智，成为东说念主类更过劲的智能助手。

说到底，Thyme的得手告诉咱们，AI的将来不在于建造更大的"大脑"，而在于造就它们若何更好地"使用用具"。就像东说念主类漂后的进步很猛进度上源于用具的发明和使用一样，AI智能的跃升也可能来自于掌捏和哄骗各式用具的才智普及。在这个趣味趣味上，Thyme为咱们展示了一个充满可能性的将来：AI不再是被迫的信息处理器，而是主动的问题处治者，它们好像像东说念主类一样分析问题、遴荐用具、实施操作，最终找到处治问题的最好决议。

Q&A

Q1：Thyme是什么？它比传统AI模子强在何处？

A：Thyme是由清华大学、中科大等机构聚拢斥地的多模态AI系统，最大特质是好像自主编写和实施代码来处理图像问题。传统AI模子只可"看图语言"，而Thyme能像专科图片编著师一样，主动剪辑、旋转、诊疗图片，以致进行数学诡计，从根柢上处治图片质料问题而不是勉强强迫。

Q2：Thyme是若何学会自主编程处理图像的？

A：商讨团队接收了两阶段闇练措施。第一阶段用50万个全心准备的样本造就Thyme基础编程技能，第二阶段通过强化学习让它学会判断何时需要用具、若何遴荐合适操作。所有这个词过程就像先教基本技能，再培养实战训导，让AI既有创造性念念维又能写出准确代码。

Q3：普通用户能使用Thyme时期吗？有什么履行应用价值？

A：面前Thyme已所有开源万博manbext网页版登录app官网，时期东说念主员不错通过GitHub获取代码。对普通用户来说，这项时期将来可能集成到各式应用中，比如自动处理恶浊文档相片、识别歪斜的手写功课、分析复杂图表数据等，让AI助手变得更实用和智能。