AI资讯新闻榜单内容搜索-视觉

关键词: AI新闻,模型训练,spotlight paper,人工智能

看一段房间视频，视觉语言模型（VLM）能够认出桌子、椅子和柜子。但在它的内部，这些物体是按颜色、形状组织在一起，还是形成了一张包含邻接关系的空间地图？

关键词: AI新闻,LoopVL,模型训练,Loop Transformer

近年来，Loop Transformer 逐渐从简单的模块复用走向更复杂的分层循环计算，探索如何通过共享参数持续更新模型状态。一个自然的问题是：当模型开始看图，这套机制还成立吗？

关键词: AI新闻,Scale AI,Elorian,HSS

Scale AI与Elorian发布Humanity’s Sixth Sense（HSS）基准，以522道图像和视频题测试多模态模型的直觉式视觉推理，25个模型均显著落后于人类，榜首GPT-6-astra得分53.6%，人类达93.1%。

关键词: AI新闻,模型训练,人工智能,RAVEL

团队提出免训练评测方法RAVEL，通过带稳定项的PCA白化和局部图像块匹配提升视觉编码器评测准确性，在三个LLM上的平均Spearman相关系数达0.85，并开源210个MLLM权重。

关键词: AI新闻,Tadpole,模型训练,人工智能

过去几年，“基础模型” 已经彻底改变了自然语言处理和计算机视觉。一个很自然的问题随之出现： 物理世界是否也能拥有类似的基础模型？

关键词: AI新闻,模型训练,CodeActionBench,人工智能

从视觉观察到策略生成，再到物理执行与完成判断，CodeActionBench 在统一条件下评测通用多模态 Agent 的机器人操作能力。在双臂仿真评测中，GPT-6 Astra (Codex CLI) 的尝试成功率达到 73.3%，Claude Opus 5 在 Reference harness 和 Claude Code 下分别取得 49.3% 和 45.3%。

关键词: AI新闻,discrete diffusion vision-language models,dVLM,模型训练

视觉语言模型已经进入办公助手、内容审核、机器人和智能终端等场景。

关键词: AI新闻,谷歌EG 2模型,Milvus,多模态embedding

传统多模态检索，往往要维护多套embedding模型。文本用一套 embedding，图片用一套视觉模型，音频再单独接一条链路。

关键词: AI新闻,vLLM,vLLM Semantic Router,开源多模态决策模型,Decision 3.0

vLLM Semantic Router推出并开源Decision 3.0系列多模态决策模型，覆盖0.6B至27B六款模型，其中d3在Jev Decision Index 0.3.1文本榜和视觉榜均排名第一。

关键词: AI新闻,MGFlow,Elastic Forcing,样本分布训练,模型训练

对着屏幕说一句 “向左转”，画面随即展开新的视野；调整角色的动作，场景紧接着给出反馈。多模态交互要求视觉生成跟上人的操作，而漫长的等待会打断整个体验。