#多模态模型
共 32 篇相关文章
VICO框架：让视觉环境与视觉语言模型协同进化
VICO提出一种视觉环境与视觉语言模型协同进化的训练框架，通过EnvRewriter动态校准任务难度，在九个多模态基准上超越多项基线，并以16-160倍更少的标注样本达到专用方法水平，为VLM后训练提供可规模化新路径。
SLVR：用结构化潜在推理提升多模态视觉理解
SLVR 提出结构化潜在视觉推理框架，将多模态推理拆分为规划、定位、证据选择与整合四个潜在阶段，在 MMVP、BLINK 等基准上显著提升，兼顾推理质量与效率。
UniEvo-VL：自蒸馏训练如何让多模态模型自我进化
UniEvo-VL 提出用自蒸馏训练实现多模态模型的自我改进。本文解读自蒸馏在视觉语言模型中的工作机制、潜力与局限，探讨这一自我进化路线能否破解图文数据标注瓶颈。
Cloudflare开源Clef：把AI决策变成概率输出的27B多模态模型
Cloudflare开源决策模型Clef：27B多模态模型，接收状态与类型化问题模式，单次前向传播输出结构化概率，无需文本生成与解析，兼容Jev和SystemOne。
CMU公开课深度解读：计算机操作智能体（CUA）的演进、评测与训练
CMU 2026 AI Agent公开课第七讲深度解读：计算机操作智能体（CUA）的九年演进史、四类评测范式（静态/端到端/LLM裁判/人工），以及预训练、SFT、RL三阶段训练流程，从World of Bits到GPT-6 Astra全景剖析。
小米MiMo-V2.6发布：万亿参数多模态MoE，vLLM零日支持
小米发布多模态大模型MiMo-V2.6，推出Pro（1.02T参数）与Flash（309B参数）两个MoE版本，支持1M上下文、原生FP8权重与DFlash投机解码，并获得vLLM零日支持，同步开放权重与RL训练栈。
前沿研究SciMDR：7B小模型如何在科研推理上比肩GPT-5
耶鲁大学等机构推出SciMDR框架，通过两阶段数据合成流水线，让70亿参数小模型在科研文献阅读理解上达到接近GPT-5水平。本文详解其降维构建与升维重塑的核心技术原理及实验结果。
科技前沿Step 3.7 Flash：198B稀疏MoE多模态模型深度解析
深度解析StepFun AI发布的Step 3.7 Flash，一款198B参数稀疏MoE视觉语言模型，支持256K上下文与三级推理，在多模态理解、AI编程和Agent工具编排方面表现顶尖，已获SGLang首日支持。
科技前沿Meta Muse Spark发布：原生多模态推理模型全面解析
Meta超级智能实验室发布Muse Spark，一款原生多模态推理模型，支持视觉思维链、工具调用和多智能体协调。本文深入解析其核心能力、开源策略及行业竞争格局。
行业洞察MiniMax公司全解析：多模态基础模型与AGI技术路线
深度解析MiniMax公司核心技术能力，包括多模态基础模型、超长上下文处理、Agent智能体等，了解这家AGI公司的产品生态与行业竞争优势。
深度解读Agentic AI爆发：2026年从生成式到代理式的范式转变全解读
2026年AI行业正从生成式AI迈向Agentic AI代理式时代。深度解读GPT-5.5代理能力、Claude自主学习、Physical AI部署、DeepSeek V4开源突破，以及推理优化、多模态模型与全球AI竞争格局的最新趋势。
产品体验中文预训练模型资源库：覆盖LLM与多模态的5500+ Star开源项目
awesome-pretrained-chinese-nlp-models 是GitHub上5500+ Star的中文预训练模型索引项目，系统收录BERT、ChatGLM、Qwen等大语言模型及多模态模型，按任务、规模、领域分类，帮助开发者快速完成中文NLP模型选型。