#Qwen3-VL

共 12 条 · 7 天 2 条 · 30 天 6 条

多模态 2 视觉语言模型 2 BioCLIP 1 CARE-X 1 Gemma3 1 GPT-5.4 1 GRPO 1 GUI智能体 1

信息流里打上「Qwen3-VL」标签的资讯、产品与论文，按刊登时间排，新的在上。

10月9日

论文 Agent 与开发者10:49

WOVEN：视觉世界建模融入多模态大模型

WOVEN解决了多模态大模型在空间、物理和时间推理上的缺陷，训练数据可替代30-50%任务数据，效果显著。

#WOVEN #多模态大模型 #视觉转换推理 #GPT-5.4

arXiv cs.LG@Zheyu Fan 等 12 人原文

10月6日

论文 Agent 与开发者10:37

Infinite-Dreamer：用图像编辑世界模型合成 GUI 智能体训练数据

GUI 智能体缺训练数据的老问题，这篇用图像编辑模型自己造数据，Qwen3-VL 微调后 AndroidWorld 成绩还涨了不少，代码开源可以直接试。

#GUI智能体 #Qwen3-VL #Infinite-Dreamer #数据合成

arXiv cs.AI@Yongxin Ning 等 7 人原文

9月26日

技巧 Agent 与开发者官方一手精选00:24

用 SkyRL 在 Amazon SageMaker HyperPod 上做多模态 RL 训练

AWS 出的实操教程，手把手教你在 HyperPod 上用 SkyRL 给 Qwen3-VL-8B 做 GRPO 多模态训练，最后还能部署 LoRA 推理。

#SkyRL #SageMaker HyperPod #Qwen3-VL #GRPO

官方一手AWS Machine Learning Blog@Nilesh PS原文

9月18日

模型 Agent 与开发者多源确认精选78°11:21

腾讯微信视觉团队开源文档解析器「WeVisDoc」

微信团队开源的文档解析器，能把图片里的文字结构化，支持 LaTeX 公式和 HTML 表格，在真实拍摄、光照不均的场景下表现更好。

#WeVisDoc #Qwen3-VL #文档解析 #OCR

事件专题

shao__meng@shao__meng3 个信源在谈原文

论文 Agent 与开发者10:01

研究揭示视觉语言模型抗干扰能力与提示词冗长的关系

这个研究挺有意思的，它发现给AI模型问问题的时候，用更详细、更啰嗦的描述，能让模型在处理有问题的图片时更不容易出错，比如把‘有猫吗？’改成‘请仔细看并回答：有猫吗？’。

#Qwen3-VL #LLaVA-OneVision #视觉语言模型 #提示词工程

arXiv cs.AI@Farooq Ahmad Wani 等 8 人原文

9月11日

论文 Agent 与开发者精选11:12

边缘部署的视觉语言模型能否识别物种？

想了解边缘部署的AI模型在野外实际场景中的表现，这篇论文对比了通用模型和专用模型在物种识别任务上的差异。

#Qwen3-VL #Gemma3 #BioCLIP #物种识别

arXiv cs.AI@William Zhou 等 5 人原文

8月5日

论文11:41

CARE-X：统一辅助监督与奖励对齐的胸片视觉语言模型

医学影像领域的小伙伴可以看看这篇，CARE-X 把胸片分类、定位、报告生成整合到一个模型里，还靠工具调用做解剖测量，临床实用性比纯生成模型强不少。

#CARE-X #Qwen3-VL #胸片 #视觉语言模型

arXiv cs.AI@Mercy Prasanna Ranjit 等 11 人原文

7月31日

论文12:53

本地 Computer-Use Agent 的推理时扩展：失败模式与计算权衡

这篇论文实测了三个本地模型在 OSWorld 上的推理时扩展，发现多算不一定提升成功率，反而换着花样失败。做本地 CUA 部署的可以当避坑参考。

#Qwen3-VL #UI-TARS #OSWorld #推理时扩展

arXiv cs.AI@Woongkyu Lee, Jungwook Choi原文

7月24日

论文11:32

视觉对比自蒸馏VCSD：无需外部教师的新方法

这篇论文提出了VCSD，不需要外部老师就能让多模态模型自己教自己，在Qwen3-VL上几个规模都涨了4-5个点，而且不增加推理成本。

#VCSD #Qwen3-VL #Qwen3.5 #ViRL39K

事件专题

arXiv cs.AI@Yijun Liang 等 7 人2 个信源在谈原文

7月1日

论文10:08

操作级视觉令牌跳过：高效多模态大模型推理方法

这篇论文告诉你如何在不牺牲性能的前提下大幅降低多模态大模型的计算量。他们在Qwen3-VL上砍了33.7%的算力，性能只掉了0.5%，方法很巧妙。

#MLLM #Qwen3-VL #推理加速 #VQA

arXiv cs.AI@Zhaoyang Luo 等 7 人原文

6月15日

论文11:12

VISTA: 视图一致自验证训练提升GUI接地

多视图训练让GUI定位更准

#VISTA #GRPO #GUI Grounding #Qwen3-VL

arXiv cs.AI@Xinyu Qiu 等 6 人原文

5月15日

论文精选10:12

MultiEmo-Bench：多标签视觉情感分析基准，评估多模态大模型

做多模态情感分析或评估 MLLMs 情感能力的团队，终于有了一个更可靠的多标签基准——MultiEmo-Bench 解决了现有数据集低估模型的问题，值得直接用于模型评测。

#多模态大模型 #视觉情感分析 #基准数据集 #多标签标注

arXiv: OpenAI@Tianwei Chen 等 6 人原文