算法论文8
NEO - ov：抛弃编码器的多模态大模型
机器之心
AI 摘要
南洋理工大学等团队：NEO - ov模型抛弃视觉编码器，让像素直接进大模型，在单图、多图、视频及空间智能任务表现佳，虽有短板，但证明原生多模态建模可行且有潜力。
阅读原文 · 机器之心
直接从像素到单词：这个原生大模型统一单图、多图、视频和空间智能
南洋理工大学等团队推出NEO - ov模型，挑战传统「视觉编码器 + 大模型」范式，直接从原始像素学语言。它在多任务表现出色，尤其空间智能突出，但在OCR等方面有短板，展现原生多模态建模潜力。
关注公众号
扫码关注
第一时间收到每日精选
相关文章
新闻资讯7
李飞飞押注空间智能，破局之路在哪？
李飞飞押注的空间智能是世界模型主流路线之一，旨在让AI生成可操作三维世界。但当前AI生成世界存在“中看不中用”问题，构建“站得住”的世界面临速度与状态瓶颈，生境科技等实践提供了解决思路。
AI科技评论
算法论文8
RefCaptioner 让视频与参考图精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。
机器之心
开源动态8
影溯开源3D生成技术，Transformer进军三维世界
影溯将最新研究成果做成免费3D捕捉工具Crystal空间相机，背后技术QuerySplat已开源。其模型Topos - Lite改变组织三维空间方式，少量图片就能秒级生成3D场景，还能扩展容量。影溯团队经验丰富，技术应用场景广。
机器之心
开源动态8
上海交大开源 HLL，测 Agent 验证码处理能力
随着多模态大模型发展，Web Agent 面临验证码挑战。上海交通大学等团队发布 HLL 评测基准，解耦真实度为三维度，对 8 款前沿模型测试，揭示 Agent 在多步交互微操上的短板。
深度学习自然语言处理