博客多模态视觉语言理解重点9 天前
Open From Data Center to Desktop: NVIDIA Expands Nemotron Family With Highest Efficiency Super VL and Bolt Models
NVIDIA 开源 Nemotron 3.5 Super VL/Bolt
开放权重覆盖数据中心到边缘，降低 agent 部署门槛并影响本地推理选型。
多模态
共 50 条 · 按质量与时效综合排序 · 仅收录近 3 个月内容最近同步 55 分钟前
已折叠 · 展开查看该领域的技术路线图、最新技术与成果、发展态势与前景趋势（含表格与 Mermaid 路线图）。
论文多模态视觉语言理解2 天前
Watch and Learn: Teaching Visual In-Context Learning by Removing Textual Shortcuts
移除文本捷径微调提升视觉上下文学习 8.1 到 18.0 点
证明视觉演示数据应成为 VLM 训练标准组成，提升多图与纯文本上下文学习且不损单图能力。
论文多模态视觉语言理解3 天前
WeVisOne-VL: Unified Visual Perception from Objects to Pixels
WeVisOne-VL 统一对象与像素级感知，覆盖 30+ 基准
开源 VLM 统一检测、OCR、分割与 matting，为细粒度视觉感知提供可部署参考。
论文多模态视觉语言理解2 天前
RECAP: Looking Once Is Not Enough for Vision-Language Reasoning
RECAP 把视觉重访转为信用分配信号，在三个 VLM 骨干上 HallusionBench 提升 +6.1--+6.5
为 VLM 强化学习提供无需额外奖励或推理改动的视觉步骤信用分配方法，缓解长 CoT 推理中的图像证据漂移。
论文多模态视觉语言理解2 天前
Visual Grounding First, Multimodal In-context Learning Follows
ProCoRe 强化视觉 grounding，多模态 ICL 平均分类精度提升 5.6%、ROUGE-L 提升 13.8%
针对 MLLM 在 ICL 中忽略视觉证据、依赖文本的问题，提供无需 ICL 数据训练的统一改进方案，对多模态提示工程与评估有直接借鉴意义。
论文多模态视觉语言理解4 天前
On the Limits of Scale: Inverse Scaling in Vision-Language Models
大规模评估发现 VLM 存在子任务逆缩放：更大模型在 375 个组合上更差
提示工程与模型选型需注意：更大 VLM 并非在所有子任务更优，需按具体类别评估而非只看聚合指标
论文多模态视觉语言理解12 天前
OmniCompass: A Holistic Benchmark for Omni-Modal Video Grounding and Understanding
提出 OmniCompass 基准：820 视频与 2,460 实例评测 50 个 MLLMs
统一全模态视频定位与理解评测，揭示开源模型在音视频理解上的差距，可用于多模态模型选型与诊断。
论文多模态视觉语言理解25 天前
GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives
4B 的 GroundingPI 在 34 个 grounding 基准达 SOTA，超过 GPT-6 Astra
为 VLA/WAM 提供快速精确的视觉 grounding 基座，直接决定机器人闭环控制在杂乱场景与小目标上的可用性
项目多模态视觉语言理解7 天前
Anionex/dsh-vision-toolkit
DeepSeek 视觉工具箱支持图片问答、OCR与UI还原
为纯文本模型补齐视觉输入，适合 agent 截图/OCR/前端还原工作流。
模型多模态视觉语言理解12 天前
nvidia/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-NVFP4
NVIDIA Nemotron 3.5 VL 120B FP4 模型发布
NVIDIA 多模态大模型以 FP4/MoE 形态进入 transformers，可评估低精度视觉语言部署。
博客多模态视觉语言理解2026/08/04
Generate Trajectories, Reasoning Traces, and Auto-Labels with NVIDIA Alpamayo 2 Super
NVIDIA 开源 34B 推理视觉模型 Alpamayo 2 Super，可生成轨迹、推理链与自动标注
AV 开发长期因轨迹、意图、场景、标注各用独立模型而难以比对与复用；单一开源模型覆盖多环节，直接利好数据闭环工程。
项目多模态视觉语言理解7 天前
ARahim3/DigUp
本地文件多模态搜索工具DigUp基于EmbeddingGemma 2
提供跨平台端侧检索实践，可评估用于数据闭环与知识管理。
