Chinese contentElorian 发布视觉思维模型 Glimpse，可拆解机器人操作视频
Elorian 发了个叫 Glimpse 的视觉模型，能把机器人操作录像自动拆成带时间标注的动作步骤，做机器人训练的可以看看。
#vision understanding
17 stories · 0 in 7 days · 1 in 30 days
Stories, products and papers tagged "vision understanding", newest first.
Oct 17
Oct 8
Chinese content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。
Sep 10
Chinese contentDeepSeek 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 introduces new model
This new model from DeepSeek is more efficient and faster than previous versions, which could be beneficial for users looking for improved performance.
Aug 27
XPeng VLA Lite Distillation Version
The XPeng G9L Max will be the first vehicle to receive this advanced autonomous driving capability upgrade in September.
IT之家Source
Chinese contentQwen3.8 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。
Aug 21
DeepSeek V4-Flash-Vision-Exp model launched
The model offers competitive multimodal capabilities at existing pricing, with a free Files API option to reduce bandwidth costs for developers in the region.
IT之家Source
Aug 12
Chinese content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。
Jul 19
Chinese content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。
IT之家Source
Jun 29
Papers10:12
Chinese contentCOCOLogic-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。
Jun 18
Products15:52
Chinese contentDeepSeek 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。
IT之家Source
Jun 11
Chinese contentClaude 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。
Jun 2
Chinese content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。
IT之家Source
May 31
Chinese contentStep 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。
May 23
May 19
Chinese contentSGT：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。