搜索：多模态视觉理解模型

「多模态视觉理解模型」共找到 1962 篇相关文章

爆火全网FLUX.2重磅上线，开源版Nano Banana来了！

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。

当前主流视觉 - 语言模型在企业级应用有难点，百度千帆团队提出Qianfan - VL系列多模态大模型，在通用和企业级任务表现出色，基于自研芯片训练，还提供框架与管线降低成本。

美图布局下一代视觉 AI 入口，领投 Visual Agent 创业公司 Chance AI 数百万美元天使轮融资。该公司成立于 2025 年 8 月，从北美大学生切入，有独特产品逻辑，融资后将推进多方向发展。

Kimi 发布 K2.5，在视觉编程上表现亮眼。它通过多模态训练涌现审美，能生成美观网页。与 Gemini 3.0 对比各有优势，Kimi Code 开源终端 Agent 功能强大，Kimi 还探索 Agent Swarm 协作新路径。

阿里千问发布AI PPT生成工具Qwen AI Slides，从内容结构到视觉配图全包。实测显示，其语义理解能力不错，文本渲染在简单字体表现好，排版有小瑕疵，适合课堂展示等场景。

马斯克让Grok 5戴「纯视觉感知」与「拟人延迟」镣铐挑战LOL传奇战队T1。这是终极图灵测试，AI像人一样感知与推理。对决为特斯拉Optimus练兵，若AI看懂团战，就能理解现实世界。

上海人工智能实验室与中山大学联合研发的 Earth - Agent 解决了多模态大语言模型用于地球科学研究的痛点。它将领域知识工具封装化，利用 LLM 智能规划调度。经 Earth - Bench 评估，其在多方面表现出色，未来发展前景广阔。

在复杂视觉场景中，传统RGB - IR多模态检测方法在低照度等场景下因RGB退化影响检测效果。北航等团队提出的InfraNet，以红外为主，用质量感知机制控制RGB引导，在多数据集取得强竞争力结果。

北大和阿里团队提出 UniLIP，解决了统一多模态模型中语义理解与像素重建的矛盾。它创新微调 CLIP，实现图像重建，还提出双条件架构用于生成和编辑，在多基准取得 SOTA 性能。

现有抓取研究多在稳定性层面，而功能性抓取更接近真实世界的智能。北大卢宗青团队提出DemoFunGrasp方法，对功能性抓取重新建模，在仿真与真实场景均超70%成功率，还引入视觉语言模型让机器人理解语言指令。