搜索：多模态视觉语言模型

「多模态视觉语言模型」共找到 2255 篇相关文章

打破视频推理「先看后想」惯性，实现真正的「边看边想」丨CVPR'26

现有大型视觉语言模型（VLM）在实时场景表现不佳，宁波东方理工大学沈晓宇团队提出TaYS，让VLM从“帧文交错”切换到“并行”，实现“边看边想”，在准确性和延迟上表现出色，推动VLM走向更真实应用。

Google发布Gemini Embedding 2，首个原生多模态嵌入模型。能处理文本、图像等多种媒体类型，支持交错输入，覆盖超100种语言。与多模型串联方案比，延迟降70%、召回率升20%。已可在Gemini API等使用。

Dexmal原力灵机推出基于PyTorch的开源视觉-语言-动作模型（VLA）代码库Dexbotic，面向具身智能研究者。其架构含三大核心组件，有五大特征，还推出开源硬件，未来将持续投入生态建设。

现有机器人视觉 - 语言 - 动作（VLA）模型训练范式存在数据采集成本高、泛化能力不足等问题。清华和上海AI Lab团队提出SimpleVLA-RL，解决了VLA模型训练的核心瓶颈，在多基准测试中实现SoTA性能。

Hugging Face悄悄上线一批免费AI课程，还带认证证书。课程从大语言模型到扩散模型，从计算机视觉到游戏AI，覆盖面广。完成课程可拿证书，还能在平台分享成果，是学习AI的好机会。

香港大学黄超教授团队开源多模态智能处理系统RAG - Anything，突破传统RAG技术单一文本局限，整合多模态文档解析等核心能力，解决现有RAG系统痛点，具备多方面技术亮点，有便捷部署方式和多场景应用模式。

Anthropic 两位研究员在采访中表示 2025 年强化学习在大语言模型训练奏效，如 Opus 4 能处理长周期任务。还探讨模型发展方向，如用户与多模型交互、模型可解释性等，认为未来会有白领 AI 员工。

Qwen3.6-35B-A3B开源，是稀疏MoE模型，总参350亿、激活参数30亿，轻量高效，在智能体编程等方面表现卓越，超越前代，可与稠密模型媲美，支持多模态，已在Qwen Studio上线并发布开源权重。

谷歌Nano Banana模型刷屏，其项目负责人等揭秘技术。它有场景一致性、文本渲染等特性，团队用文本渲染能力作评估指标，还靠原生多模态、交错式生成等技术，结合用户反馈实现多方面进步，图像模型做PPT尚处起步。

Unsloth团队修复Qwen3-VL系列模型聊天模板语法问题，重新上传GGUF量化文件，使模型可本地稳定运行。介绍了不同规格模型硬件需求、表现，给出部署步骤、参数差异，还展示多模态能力测试，提供多种格式模型及微调工具。