「视觉语言理解」共找到 2156 篇相关文章
NVIDIA开源“Banana”级黑科技！会懂物理、理解时间的图像编辑模型！
继谷歌Banana后，英伟达开源物理级图像编辑模型ChronoEdit - 14B，被称‘NVIDIA版的Banana’。它有‘时间观念’和‘物理常识’，能按描述生成符合物理规律图像，适用于多领域。
推出 AnyLanguageModel：在 Apple 平台统一本地与远程大语言模型的 API
大语言模型是构建现代软件的重要工具，但 Apple 平台开发者集成模型困难。Hugging Face 发布 AnyLanguageModel，是 Swift 包，可替代 Apple Foundation Models 框架，支持多模型服务商，降低使用 LLM 难度。
Nature Machine Intelligence颠覆有机化学研究范式，上海交大发表化学合成大语言模型
上交大AI4S团队依托平台，联合多团队在AI for Chemistry领域获突破。相关研究发表于《Nature Machine Intelligence》，介绍白玉兰化学合成大模型Chemma，它加速有机合成全流程，在多任务表现出色，还能解决数据稀疏等问题。
耗时15年、扫描1400个大脑！她发现了藏在人脑中的「生物版ChatGPT」
MIT神经科学家Ev Fedorenko扫描约1400人大脑，识别出“生物版ChatGPT”——语言网络，它负责将词语与意义映射、拼成句子，揭示了语言与思维分离，研究发表在《Nature Reviews Neuroscience》。
强化学习之父：大语言模型走错了路，不符合「苦涩教训」精神
2024 年图灵奖得主、强化学习创始人之一 Richard Sutton 在播客中批评 LLM 发展方向，认为其无真正智能，违背「苦涩教训」原则，缺乏持续学习能力，仅模仿人类，未理解世界。此观点引发 AI 社区激烈讨论。
大型语言模型稳定强化学习的新路径：几何平均策略优化GMPO
本文介绍了大型语言模型稳定强化学习新路径——几何平均策略优化GMPO。它是GRPO稳定化版本，通过优化几何平均替代算术平均，解决GRPO训练不稳定问题，在多任务实验中显著优于GRPO。
微软推出深度视频探索智能体，登顶多个长视频理解基准
尽管LLMs和VLMs在视频分析和长语境处理有进展，但处理数小时长视频有局限。微软提出智能体Deep Video Discovery (DVD)，以简洁框架在LVBench取得高准确率，将以MCP Server形式开源。
The Batch: 867 | 印度推动本土人工智能建设
印度在资金有限、语言与方言众多情况下，正加倍努力建设本土大模型。政府资助初创企业、调配算力，多家公司研发多语言模型，虽面临挑战，但旨在开发符合自身需求的人工智能。
用多模态LLM超越YOLOv3！强化学习突破多模态感知极限｜开源
华中科技大学、北京邮电大学等多所高校研究团队共同推出纯多模态开源LLM——Perception-R1，该模型用强化学习优化视觉感知，目前论文和代码均已开源，其在视觉任务上表现出色，为后续研究提供强大baseline。
多模态长文本理解测评首发：46款模型无一攻克128K难关
香港科大等研究者联合提出MMLongBench，用于评估多模态模型长文本理解能力。它覆盖5大类型任务的16个数据集，对46个模型测试显示，闭源和开源模型在长上下文任务均面临挑战，OCR和跨模态检索能力是瓶颈。