VLM 相关 AI 资讯

6月4日

22:24

Jerry Liu@jerryjliu0

72°

LlamaIndex 在 CVPR 2026 上发布了 ParseBench，这是目前最全面的文档理解基准测试，专门用于评估视觉语言模型（VLM）对真实企业文档的解析能力。该基准包含 2000 页真实企业文档、167K+ 测试规则，覆盖表格、图表、视觉定位、语义格式和内容忠实度五个维度。核心目标是衡量模型能否正确语义理解文档，避免过拟合到特定基准。当前前沿模型更擅长编程、数学和科学推理，而文档 OCR 的 100% 准确解析仍是最终挑战，ParseBench 旨在推动这一方向进步。

论文文档理解基准测试 VLM

推荐理由：做文档解析、RAG 或 AI Agent 的团队终于有了一个靠谱的评测标准——ParseBench 覆盖了企业文档的真实痛点，建议直接拿去测你的模型或产品。

原文

5月27日

10:31

官方账号arXiv cs.AI@Zhifei Dou, Shabnam Hassani, Ou Wei

精选

工业需求工程中流程图常以静态图片存在，Vision Language Models (VLMs) 在将其转为机器可读模型时，常丢失拓扑关键细节。EdgeFlow 通过向VLM输入添加Canny边缘图作为结构先验，显著提升流程图到Mermaid的转换质量。在真实工业数据集IndusReqFlow上，节点F1提升17.39个百分点，边F1提升16.94个百分点，路径F1提升11.06个百分点。该方法无需标注数据或微调，为工业需求工程提供了一种实用的无训练方案。

论文 VLM 流程图转换工业需求工程

推荐理由：工业需求工程师和RE工具开发者终于有了一个无需训练就能提升流程图转换精度的方案——EdgeFlow用边缘图做结构先验，直接让VLM的拓扑识别能力跃升，做模型驱动测试的团队值得一试。

原文

5月15日

11:00

官方账号arXiv cs.AI@Yi Zhang, Yinda Chen, Che Liu, Zeyuan Ding, Jin Xu, Shilong Zou, Junwei Liao, Jiayu Hu, Xiancong Ren, Xiaopeng Zhang, Yechi Liu, Haoyuan Shi, Zecong Tang, Haosong Sun, Renwen Cui, Kuishu Wu, Wenhai Liu, Yang Xu, Yingji Zhang, Yidong Wang, Senkang Hu, Jinpeng Lu, Nga Teng Chan, Yechen Wu, Yong Dai, Jian Tang, Xiaozhu Ju

精选

Pelican-Unified 1.0 是首个按照统一原则训练的具身基础模型，将场景理解、指令推理、未来想象和动作执行整合到单一模型中。它使用一个视觉语言模型（VLM）作为统一的理解和推理模块，并通过统一未来生成器（UFG）同时生成未来视频和动作。实验表明，统一并未牺牲性能：在八个VLM基准上平均得分64.7，在WorldArena上排名第一（66.03），在RoboTwin上达到93.5（动作方法中第二好）。该工作展示了统一范式在保持专家级性能的同时，将多种能力融合到一个模型中的可行性。

论文具身智能统一模型 VLM

推荐理由：具身智能研究者终于有了一个统一框架——Pelican-Unified 1.0 用一个模型搞定理解、推理、想象和行动，不再需要拼凑三个独立系统。做机器人、仿真或多模态模型的团队值得关注，它证明了统一不意味着妥协。

原文