搜索：视觉问答模型

「视觉问答模型」共找到 7931 篇相关文章

打破长视频理解瓶颈：HoPE混合位置编码提升VLM长度泛化能力

如今视觉语言模型在长上下文任务表现不佳，CMU和小红书团队深入研究，首次提出多模态RoPE扩展策略理论评估框架，指出现有泛化能力不足原因，提出HoPE大幅提升VLM长度泛化能力。

字节开源的豆包手机核心支撑GUI Agent模型UI - TARS登顶GitHub热榜，突破26k Star。它是多模态AI智能体，纯视觉驱动，部署简单，历经多轮迭代，成为热门开源多模态Agent。

阶跃星辰团队探索自回归图像生成新路径，推出 NextStep-1。它直接在连续视觉空间自回归生成，架构简洁，实现端到端训练。模型有高保真生成和编辑能力，Benchmark 表现佳，但也面临稳定性等挑战。

面壁上新最强端侧多模态模型MiniCPM-V 4.5，基于Qwen3 - 8B与SigLIP2 - 400M构建，总参数量8B。它视觉语言理解强、手机能跑，有高帧率视频理解等特点，还有多方面技术亮点。

智谱基于GLM - 4.5打造的开源多模态视觉推理模型GLM - 4.5V，在42个公开榜单中41项夺得SOTA。其功能丰富，玩法升级，还为企业与开发者提供高性价比方案，是100B参数级SOTA标杆。

国产AI豆包发布视频通话新功能，能实时报准时钟时间，还接入联网搜索，准确性和时效性强。实测中，它可当看剧搭子，还能识别食材、解答物理题等，背后是豆包·视觉理解模型在发力。

Black Forest Labs的开源视觉模型FLUX.2上新，是专为现实创意工作流程打造的生产力工具。与前代相比，实现从「会画」到「懂你要画什么」跃升，还能在多方面保持一致性，各变体有不同定位与场景。

本文介绍华为GTS算法团队针对大模型Agent网络排障遇到的「拓扑失忆」痛点，提出NetCanvas方案，通过可交互视觉拓扑实现认知卸载，大幅提升复杂网络排障的准确率和效率。

企业数据库运维复杂度高，专业人才稀缺成瓶颈。阿里云PolarDB推出AI助手，基于大语言模型与专家知识库，有智能问答等核心能力，以自然语言交互降低使用门槛，提升运维效率与系统稳定性。

香港大学、阶跃星辰等用VFMTok新方法，让图像生成模型借用顶级视觉AI的眼睛看世界，实现更快、高质量图像生成，且无需复杂引导技巧。它改变图像理解方式，将像素死记硬背转为语义理解。