#视觉理解

共 16 条 · 7 天 1 条 · 30 天 3 条

DeepSeek 2 多模态 2 Agent框架 1 API服务 1 Decisions API 1 DeepSeek-V4-Flash-Vision-Exp 1 Frontend Code Arena 1 GitHub Copilot 1

信息流里打上「视觉理解」标签的资讯、产品与论文，按刊登时间排，新的在上。

10月8日

技巧 Agent 与开发者多源确认03:02

开发者用 OpenAI Decisions API 实现手势识别，精度超过 Jev 方案

有人拿 OpenAI 的 Decisions API 做了个手势识别 demo，视频里精度和速度都吊打他之前的 Jev 版本，玩多模态的可以看看怎么实现的。

#OpenAI #Decisions API #手势识别 #多模态

宝玉@dotey11 个信源在谈原文

9月10日

模型中美对照16:47

DeepSeek 发布 V4.1 Flash 模型，轻量级且支持视觉理解

DeepSeek 新出的 V4.1 Flash 模型，小、快、能看东西，适合快速处理任务，比他们之前的模型更高效。

#DeepSeek #V4.1 Flash #视觉理解

Thomas Wolf@Thom_Wolf原文

模型中美对照精选78°16:10

DeepSeek 发布新模型 DeepSeek-V4.1-Flash

DeepSeek 新出的模型叫 DeepSeek-V4.1-Flash，比之前的模型更小、更快、更高效，还支持视觉理解。

#DeepSeek #推理模型 #视觉理解

Aravind Srinivas@AravSrinivas原文

8月27日

产品精选16:03

小鹏 VLA Lite 蒸馏版 9 月推送

小鹏汽车推出第二代 VLA Lite 蒸馏版，首次搭载 G9L Max，提升自动驾驶能力，值得关注。

#小鹏汽车 #VLA Lite #自动驾驶 #视觉理解

IT之家原文

模型中美对照06:55

Qwen3.8 Flash from Alibaba_Qwen on OpenRouter

Alibaba_Qwen新发布的Qwen3.8 Flash模型，支持多种功能，是编码助手和视觉理解的好帮手，值得一试。

#Qwen3.8 Flash #多模态推理模型 #编码助手 #视觉理解

OpenRouter@OpenRouterAI原文

8月21日

模型 Agent 与开发者精选17:28

DeepSeek V4-Flash-Vision-Exp 上线，多模态 API 服务开启

深度求索新模型上线，多模态能力提升，API 访问方便，适合各种 Agent 工具集成。

#DeepSeek-V4-Flash-Vision-Exp #多模态 #API服务 #视觉理解

IT之家原文

8月12日

模型 Agent 与开发者02:43

微软 MAI-Code-1.1-Flash 上线 GitHub Copilot，降价73%

微软新模型上架 Copilot，带视觉还能看图，价格砍了七成多，写代码更省钱了。

#MAI-Code-1.1-Flash #GitHub Copilot #微软 #视觉理解

GitHub@github原文

7月19日

模型中美对照多源确认73°16:48

月之暗面Kimi K3发布次日ARR创历史最大单日增幅

月之暗面开源了2.8万亿参数的Kimi K3，视觉理解强，成绩超Claude和GPT-5.6，ARR单日新高。

#Kimi K3 #月之暗面 #开源模型 #视觉理解

IT之家11 个信源在谈原文

6月29日

COCOLogic-V2：利用真实难负例识别逻辑不一致性

COCOLogic-V2 这个新数据集专测视觉推理，正反例分类特别细，模型在近边界上直接翻车，做可解释 AI 的可以看看。

#COCOLogic-V2 #推理模型 #视觉理解 #逻辑推理

arXiv cs.LG@David Steinmann 等 4 人原文

6月18日

DeepSeek 识图模式正式上线 App 和网页端

DeepSeek 现在能识图了，App 和网页都能用，不只是 OCR，还能理解画面，背后有专门的多模态技术。

#DeepSeek #识图模式 #多模态 #视觉理解

IT之家原文

6月11日

模型中美对照多源确认09:00

Claude Fable 5 在 Vision Arena 综合排名第二，OCR 单项第一

Claude Fable 5 在视觉评测中拿下 OCR 第一，做文档处理、教育或图表分析的团队可以重点关注这个模型的实际表现。

#Claude Fable 5 #Vision Arena #OCR #视觉理解

lmarena.ai@lmarena_ai11 个信源在谈原文

6月2日

模型中美对照多源确认精选06:41

阿里发布 Qwen3.7-Plus 模型，升级多模态交互混合智能体

Qwen3.7-Plus 把视觉与语言统一到智能体基座，做多模态应用或办公自动化的团队可以直接在百炼上试，能省掉不少模型拼接的麻烦。

#Qwen3.7-Plus #多模态 #智能体 #阿里千问

IT之家4 个信源在谈原文

5月31日

产品精选00:34

Step 3.7 Flash 模型加入 mlx-vlm，Mac 本地跑通视觉理解

本地跑通高质量视觉语言模型，做多模态应用或隐私敏感项目的开发者可以直接在 Mac 上体验，无需依赖云端，值得一试。

#mlx-vlm #Step 3.7 Flash #本地多模态 #Apple Silicon

berryxia@berryxia原文

5月23日

模型中美对照精选02:16

Gemini 3.5 Flash 视觉性能超越 3.1 Pro，速度提升约6倍

谷歌新 Flash 视觉又快又准

#Gemini 3.5 Flash #Gemini 3.1 Pro #Google #多模态

官方账号Logan Kilpatrick@OfficialLoganK原文

5月19日

论文精选14:28

SGT：用语义生成调优统一多模态模型的视觉理解与生成

做多模态模型训练的团队终于有了一个能同时提升理解和生成的后训练方法——SGT用分割任务对齐表征空间，比解耦训练更高效，做视觉AI的开发者可以直接参考代码实现。

#统一多模态模型 #生成式后训练 #图像分割 #视觉理解

arXiv cs.AI@Songsong Yu 等 4 人原文

论文精选10:06

ChemVA：让大模型看懂化学反应图，准确率92%

做化学信息学或AI辅助药物研发的团队，终于有了让大模型真正看懂反应图的方法——开源框架可直接用，效果提升明显。

#大模型 #化学推理 #视觉理解 #开源/仓库

arXiv cs.AI@Mingyang Rao 等 7 人原文