搜索：VLM多模态理解能力

「VLM多模态理解能力」共找到 1578 篇相关文章

密室逃脱成AI新考场，通关率不足50%，暴露空间推理短板丨清华ICCV25

清华大学团队受密室逃脱游戏启发，提出EscapeCraft：一个3D密室逃脱环境，用于评估多模态大模型在视觉环境中完成复杂任务推理的能力。该论文已入选ICCV 2025。研究评测了多个热门模型，发现它们在推理和探索行为方面存在诸多问题。

在大模型竞争中，2023 年成立的百川战略收缩聚焦医疗，起初内外存疑。2025 年，AI 医疗技术与应用进展显著，今年初大厂入局。百川如今开源 Baichuan - M3 模型，王小川认为医疗已入应用阶段、多模态非主战场，且国内 To C 更好。

MiniMax开源首个视觉RL统一框架V-Triune，由闫俊杰领衔。该框架通过三层组件设计和动态IoU奖励机制，让VLM能联合学习推理和感知任务。还开发Orsta模型系列，在MEGA - Bench表现出色，且MiniMax多模态布局动作多。

在AGI Playground 2025上，极客公园张鹏与三位投资人探讨Agent时代投资。他们认为AI创业进入「拼交付」时代，多模态短期影响被高估、长期潜力被低估，通用Agent是巨头之争，垂直Agent是创业机会，还会催生新基础设施，付费模式向按结果付费演变。

AI生图曾有文本长易糊、指令复杂就出错、中文渲染差等问题。阿里新发布的Qwen-Image-2.0能处理1K token长文本，理解复杂指令，中文渲染佳，还能多图编辑，国际评测表现也靠前，阿里云百炼已开通API邀测。

在AICon2025上海站，妙多副总裁张昊然分享生成式AI在UI设计领域的影响。他回顾初代生成式UI的‘套模板’技术，讲述技术革新后回归代码生成界面，还探讨让AI理解设计系统、妙多AI 2.0理念及未来UI工具假设。

2025年6月以来文档解析方法快速增长，有10余种。按“技术路线 + 工程形态”可归为4大类：传统级联流水线、轻量多模态两段式、通用多模态大模型一段式、轻量多模态一段式，各有优劣，4条路线覆盖所有OCR落地场景。

MiniMax海螺视频团队首次开源，揭晓视觉分词器难题答案。其推出的VTP框架可提升模型性能，解决传统Tokenizer缺陷，还展示了Tokenizer的Scaling Law，为行业提供新路径。

在2026世界人工智能大会上，具身智能行业关注点从机器人能动转向能否进入真实场景干活。酷哇科技宣布杨学出任首席科学家，共建通用具身智能联合实验室。杨学认为行业应从证明技术转向证明实用，解决机器人在真实场景的长期稳定运营问题。

Avraham Poupko 在 OOP 大会分享软件架构师用 AI 经验，认为软件架构师不会被 AI 取代，AI 适合探索权衡、提炼语言，但缺乏情境推理和情感智能，人类在这方面更有优势。