搜索
DeepSeek-V4-Flash-Vision-Exp多模态模型正式开源，该模型为DeepSeek-V4系列首个实验性多模态模型，基于DeepSeek-V4-Flash架构集成视觉模块，在真实世界软件工程测试DeepSWE中以59.3%反超Opus-4.8登顶，并在零样本视觉推理测试ZeroBench中击败Opus-4.8。
近日，新加坡国立大学 Minghui Guo 与牛津大学 Shengqiong Wu、Hao Fei 在论文《V-RAE: Rethinking Video Latent Spaces for Generation》中提出视频表征自编码器 V-RAE。该方法以冻结的视觉基础模型为编码器，通过轻量级时间池化压缩视频特征，并将具有丰富语义和时间连续性的表征直接用于视频重建、生成与未来预测。
等了四个月，DeepSeek的多模态模型：deepseek-v4-flash-vision-exp，终于发布。我也是第一时间赶到现场，连夜开始实测。相比V4 Flash最大的不同，就是支持原生支持图片输入了，但图片生成当然还是没有的。
Pixel 擅长表达 appearance，Code 擅长表达 structure；未来会进入 Pixel-Code 联合的视觉表达。
视觉 - 语言 - 动作（VLA）模型已成为端到端自动驾驶的主流技术路线，但基于自回归（AR）解码的现有架构面临双重结构性瓶颈：其一，逐 Token 串行生成导致推理延迟随序列长度线性增长，严重制约实时部署；其二，训练阶段依赖真实前缀的 teacher forcing 机制，使模型在推理时暴露于自身生成的误差之上，引发长时序累积的曝光偏差（exposure bias）。
最近，第三方视觉评测机构Roboflow，把GPT-5.6 「全家桶」拖进自家VLM基准跑了一圈。测试的内容，都是最实在的活儿：找东西、数东西、认字、抽信息。仅在目标检测这项，上一代GPT-5.5只拿到13.8分。这个分数，在视觉模型圈里基本等于交白卷。
DeepSeek Harness这下真快被网友「插成万物」了。小黑鲸上线还没多久，单单在GitHub上打着dsh-plugin标签的公开仓库，就已经冲到了700+个？？？有人给它装浏览器、长期记忆、数据库和任务管理；有人嫌DeepSeek不会看图，现场接了个视觉模型进去。
这次百花奖时间紧、任务重，好在豆包帮了金启棣大忙。在豆包工作任务模式下，他把舞台数据、观众规模、视觉需求等一并交给豆包。豆包很快就生成了舞美概念和效果图，让原本模糊的创意迅速落地。在此基础上，舞美设计团队继续精修，省下了大量做基础工作的时间。
刚刚，阿里千问大模型团队开放Qwen3.8-2.4T-A95B模型权重！ Qwen3.8-Max是基于Qwen3.8-2.4T-A95B的官方版本，于8月3日发布，拥有更多功能，例如视觉输入功能、无需思考即可使用、默认支持1百万上下文长度处理、内置官方工具等。
近日，浙江大学 OmniAI 团队在 《Show, Don’t Tell: Evaluating Spatial Cognition in Generative Pixels Rather Than LLM Text》 中提出 ProVisE，让图像生成模型直接在图中回答空间问题，并将视觉答案还原为原 benchmark 可以评分的结构化预测。