#视觉语言模型
共 15 篇相关文章
近重复图像选择如何隐秘传递模型偏好？
新研究发现，视觉语言模型在近重复图像间的选择会隐秘传递偏好，猫头鹰等目标偏好可在LLaVA、Qwen、Gemma等模型中定向转移，甚至跨代累积，挑战去重操作的安全性认知。
Spatial-TRM：递归推理如何提升空间上下文预测精度44%
Spatial-TRM 用递归细化提升空间上下文预测：仅1120万可训练参数，在RoboSpatial-Home基准上准确率29.51%，相对单步模型提升44%，比RoboPoint小15倍。
NVIDIA Nemotron 3.5 Bolt 74B-A9B 登陆 Ollama：24GB 显存跑本地 VLM
NVIDIA Nemotron 3.5 Bolt 74B-A9B 视觉语言模型上线 Ollama，采用原生 2-bit 量化与 MoE 架构，24GB 内存即可本地运行日常 Agent 任务。本文解析其架构设计、应用场景与本地多模态 Agent 的趋势意义。
英伟达Nemotron 3.5 Super VL登陆Perplexity
英伟达Nemotron 3.5 Super VL视觉语言模型现已登陆Perplexity，面向Pro和Max订阅用户开放，并通过Agent API向开发者提供。本文解读模型定位、对用户与开发者的实际影响以及多模态分发的行业趋势。
JEV-27B-VL视觉决策模型入门指南
JEV-27B-VL 是 Autotrust 在 Hugging Face 维护的 27B 视觉语言模型，支持 System 1 概率决策与 System 2 推理。本文梳理其封面排序、智能体判断等多场景基准、局限与接入注意事项。
英伟达发布Nemotron 3.5 Bolt：74B参数塞进24GB显存的本地VLM
英伟达发布 Nemotron 3.5 Bolt 74B-A9B 视觉语言模型，用原生 2-bit 量化将 74B 参数压进 24GB 显存，支持 256K 上下文与本地 agentic 任务，附 vLLM 部署与投机解码细节。
开源AI挑战赛作品：用SmolVLM打造鸟类识别助手
Hacktoberfest开源AI挑战赛作品Bird Buddy AI：基于SmolVLM-500M开放权重视觉语言模型和Streamlit构建的鸟类识别助手，上传照片即可获得AI识别建议和特征描述，支持本地推理。
SpatialASM：让视觉语言模型学会主动空间想象
SpatialASM 提出可扩展框架，通过训练时空间模拟将主动空间心智化（ASM）能力内化进视觉语言模型，在七个基准、四种骨干模型上提升空间推理表现，同时保留通用视觉能力。
PAGE框架：用AI大规模研究美国漫画与日本漫画
PAGE框架利用视觉-语言模型大规模分析美国漫画与日本漫画，涵盖近4000本美漫与87卷manga的三项实证研究，展示AI在漫画研究、档案检索与无障碍阅读中的应用潜力。
用Codex在NVIDIA Jetson上部署独立VLM视觉终端实战
基于 YouTube 技术演示，详解如何借助 AI 编码代理 Codex 在 NVIDIA Jetson 上部署本地视觉语言模型（VLM），并改造为开机自启、离线可用的独立 kiosk 终端，涵盖硬件评估、权限安全与环境适配全流程。
仿真驱动的智能体VLM框架：破解野火监测数据稀缺难题
一篇arXiv最新研究提出仿真驱动的智能体VLM框架，通过将2D野火仿真自动转为带标签视频，结合免训练多智能体记忆推理，在数据稀缺下实现野火监测与结构化报告，视频记忆准确率达51.5%，完整系统达77.3%。
Tulip联手NVIDIA打造可回放工厂：用视觉语言模型重构制造现场
Tulip联合NVIDIA推出Factory Playback，用视觉语言模型、Metropolis VSS蓝图与Cosmos模型把工厂摄像头录像变成可查询、可对话的现场情报，混合云架构兼顾隐私与算力，助力制造业根因分析与精益优化。
16款前沿VLM文档解析实测：Opus 5.5性价比领跑
16款前沿VLM文档解析横向评测揭晓：Opus 5.5性价比领先且擅长表格解析，GPT-6 Luna主打低成本，Astra质优但价高。文章解析通用大模型与专用OCR方案的选型策略。
DeepSeek V4.1 Flash实测：视觉推理与极致效率的开源黑马
DeepSeek V4.1 Flash实测评估：KV缓存效率提升337倍，原生视觉推理与目标检测能力出色，还能自动训练机器学习模型。本文梳理其架构重构、harness选择、3D渲染与视觉分析的实测表现及适用场景。
产品体验localOCR：本地部署的开源OCR方案，支持Gemma-4等视觉模型
localOCR是一款基于Gemma-4、Llama 3.2等视觉语言模型的本地OCR开源工具，支持离线运行，保障数据隐私。本文详解其技术架构、多模型支持、适用场景及相比传统OCR的核心优势。