多模态大模型真能理解视觉吗？全网观点大PK_服务软件

1. 多模态大模型真有视觉理解能力吗？全网观点大PK

2. 多模态大模型理解能力可靠吗？全网观点大PK

3. 【完结】多模态与视觉大模型开发实战 - 2026必会

4. 如何利用大模型技术有效地在跨模态场景下进行数据处理、知识融合和智能推理 - 哔哩哔哩

5. 多模态大模型学会反思和复盘，上交&上海AI Lab破解多模态复杂推理

6. 多模态大模型入门指南（一）多模态模型是如何学会对齐的

7. 彻底搞懂深度学习-多模态（Multimodal）（动图讲解）

8. 当模型开始“看图回答”

9. 达摩院EMNLP'25｜先学会看，再学会想

10. 俄亥俄州立大学等联合推出首个多模态深度研究代理评估基准 - 哔哩哔哩

11. AI算法面试

12. 多模态模型竟然学会了“动态对话”视觉层次

13. 9.17-4|视觉与语言映射的跨模态信息损失，结构保持和局部重构双重评价；LLM幻觉拒绝回答基准，认知谦逊

14. BabyVision

15. 多模态大模型工作原理

16. 一文剖析丨什么是多模态大模型？

17. 自然·机器智能

18. BCI-T

19. 看见的形状

20. 语言没有空间指向性，而视觉系统有，所以人类必须通过视觉想象将语言与视觉系统进行绑定。

21. 北大最新NHB

22. 视觉优势还是语义依赖？揭秘 DeepSeek-OCR 高压缩率背后的真相

23. 语言先验塑造视觉理解

24. ICCV 2025 Highlight | 图像建模为离散Token重大突破！北大联合提出全新视觉编码方式Being-VL

25. ICCV 2025 Highlight | 图像也能“说话”

26. AAAI 26 | ViCToR: 让LLM更“懂”视觉信息的多模态预训练范式

27. CoCoVa:连续潜空间跨模态推理

28. 让图像会说话！视觉Token注入CLIP语义，TokLIP重塑多模态理解与生成

29. 南洋理工大学Uni-MMMU

30. 从“跨模态炫技”到“产业实用”多模态大模型真的能落地见效吗？

31. 多模态大模型真能跨模态统一理解吗？全网观点大PK

32. BabyVision评测集揭示多模态大模型视觉基础能力不足，GPT-5.2准确率34.8%

33. 多模态模型开箱评测

34. 多模态模型藏致命短板，BabyVision测试顶尖AI视觉能力不及3岁娃

35. AI病理文摘 | Advanced Science

36. 多模态拼模型纯属误区，数据工程才是胜负手，90%的人都搞错了

37. AI多模态交互避坑指南

38. 手把手带你深度解析多模态融合技术！从原理解析到技术前沿进展！大模型|LLM #大模型 #ai#多模态 #人工智能 #大模型应用

39. 浅析多模态标注对大模型应用落地的重要性与标注实例

40. 多模态大模型之模态融合的注意点及难点

41. DeepSeek 真的是太牛逼了。说实话，DeepSeek 的这种创新性，这种巧劲挺符合咱们中国人的聪明和做事原则的。昨天 DeepSeek 开源了一个叫 DeepSeek-OCR 的模型，看起来像是做文字识别（OCR）的，但其实真正的目标，是在解决一个大语言模型都头疼的问题——长上下文。简单说，现在的大语言模型都怕“记太多”，非常吃 token。比如你给它塞进十几万字的内容，它会越来越慢、越来越吃显存，还越来越贵。原因是它的底层架构要求“每个词都要和其他所有词打一次招呼”，计算量是成平方增长的。内容越多，模型就越容易“爆炸”。DeepSeek 想了一个非常大胆的办法：既然文字太多处理不了，那就把文字变成图片！这听起来有点疯狂，对吧，但是，他们发现这样做非常有效，很有用。因为一段 10 万字的文本，转成图片后，模型只需要几百个“视觉 token”就能理解；而且图像里不仅有文字内容，还有排版、结构、空间这些额外信息。也就是说，它在几乎不损失语义的情况下，极大地压缩了信息量。我不知道大家看到这里会想到什么？我想到的就是这种做法不就是人类记忆的方式吗？咱们人类并不会逐字记忆所有内容，而是更擅长记住画面。比如，就拿最近的中秋节和十一假期来讲，回想到当时，你大脑里浮现的肯定不是具体的文字，而是几个模糊的画面。DeepSeek 就把这种“视觉化记忆”用在了模型里：最新的信息保持清晰，旧的信息逐渐模糊、被压缩，但核心意思还在。这样，模型就能像人一样，在有限的计算中保留“无限上下文”。DeepSeek 团队称这种方法为“上下文的光学压缩”。他们不仅用视觉去识别图像，还把视觉变成了管理记忆、压缩信息的新方式。这意味着未来的 AI，可能不再依赖文字去理解世界，而是通过“视觉语言”来思考。这其实一种更接近人类感知的方式。一句话总结：DeepSeek 把“让模型看图”这件事，变成了“让模型更聪明地记忆”的新思路。它不只是提高了 OCR 的精度，而是在为无限上下文的 AI 打开一扇全新的大门。#微博兴趣创作计划##微博新知##AI创造营##ai生活指南#

42. 测了一个9B开源模型，AI视频对话终于不像对讲机了

43. 开源是战略，生态是王炸，阿里千问入局AItoC #千问 #大模型

44. AI圈最顶级的一次争吵，理解世界还是堆模型？ #大咖观察 #红衣聊AI #大模型 #人工智能

45. AI的发展该先追求理解能力还是先筑牢安全防线？ #大咖观察 #红衣聊AI #谷歌 #ai #网络安全

46. #科技先锋官# 时空竟能被看穿？DeepMind新模型藏狠活，新一轮的AI视觉革命来了！Google DeepMind 重磅推出 D4RT 模型，凭 4D 时空理解能力引爆视觉 AI 革命！D4RT 模型将 3D 空间与时间维度融合，让 AI 精准捕捉物体空间形态与动态轨迹，彻底打破传统视觉处理的桎梏。传统方法靠多模型串行运算，处理动态场景易出纰漏，一分钟视频竟要数小时，效率极低。 D4RT 以单一时空查询接口实现任务统一，压缩视频为全局场景记忆后并行计算，速度提 18-300 倍，一分钟视频仅需 5 秒，还破解了纹理相似区域识别难题。D4RT 模型为机器人、AR 等领域赋能，更突破具身智能感知瓶颈，推动 AI 从逐帧观看升级为全局时空理解。视觉 AI 的时空感知能力突飞猛进，是否意味着其离真正的类人视觉仅一步之遥？当 AI 能实时全局理解动态时空，自动驾驶、智能交互的终极形态将如何被改写？这场视觉 AI 的技术飞跃，又会为人类生活带来哪些颠覆性改变，值得每一个人深思。#微博超有用视频大赛##上微博涨知识##AI生活指南# 种斌Marco的微博视频

47. MiniMax海螺首次开源，发现了AI视觉生成领域的Scaling Law

48. 阿里除夕夜发布 Qwen3.5 模型，哪些技术亮点值得关注？对大模型发展有何影响？

49. 体验理想OTA8.1，能看的视野更远，比如识别红绿灯更早，能挑战连续的复杂路障，也就是更像人开车了。体验背后是技术，机器如何理解物理世界？理想郎咸朋直言“VLA是自动驾驶最好的模型方案”#理想高管回应王兴兴质疑#VLA（视觉-语言-动作）模型打破了传统自动驾驶“感知-决策”割裂的桎梏，凭借多模态融合实现了语义级的复杂环境理解，这正是李想所强调的汽车机器人必备的物理世界感知能力。其优势体现在三方面：一是天然适配具身智能，能构建道路场景认知图谱，可理解施工牌“临时封闭”的因果逻辑，实现类人推理；二是动态决策更灵活，在L4级场景中，语言引导的动作生成模块让突发状况下决策延迟降低40%，鲁棒性突出；三是数据效率革新，借助预训练能力将场景理解样本需求缩减70%，加速高阶自动驾驶落地。对比其他选手，理想押注VLA打造认知内核，让车辆从“执行”转向“理解”，VLA的成长会更像是人的成长，离不开大量的语言输入和更快的迭代。VLA路线不仅满足L4功能需求，更定义了自动驾驶的未来范式。

50. Hinton 预言谷歌必赢，而且「早该赢了」，如何理解这一说法？

51. 视频模型的 GPT-3 时刻：谷歌 Veo 3 正在重新定义计算机视觉

52. 阿里开源 Qwen3.5-Plus！三千行代码一次生！超强性能超低价格

53. 从Gemini到豆包：全球两大AI巨头为何走上同一条路？

54. 这个模型有机会成为世界模型的Deepseek#AI #大模型 #世界模型 #北京人形机器人创新中心 #北京人形WoW具身世界模型

55. 2025乾崑生态大会上，华为乾崑再亮黑科技—— 舱内激光视觉Limera。这颗藏在风挡后的智能眼，把激光雷达和摄像头玩出物理级融合，车顶线条秒变纯欲风，空气动力学buff更是直接叠满。暴雨天？逆光路？Limera稳如老狗，异形障碍也能做到物秒识别。更绝的是终身免洗、零维护，连洗车钱都省了。一镜双模加持下，全新问界M7销量“坐火箭”般蹿升，未来还将会有20+款新车排队上车。从此，智能驾驶不再只拼实力，还能靠颜值C位出道！#华为乾崑##华为乾崑智驾##ADSPro增强版支持城区NCA##华为乾崑生态共赴热爱##华为乾崑有境界##买车就买乾崑智驾##ADSPro不是显眼包胜似显眼包# 搞机梓凡的微博视频

56. #小鹏G7Ultra首次OTA来了#这次最重磅的升级内容就是全场景VLA终于上车了，这个功能大家实在期待已久。有了全场景VLA之后，一些典型的风险场景会被系统进行专家级风险预判，我们常见的一些视觉死角，比如大车遮挡，丁字路口，小路转大路等，系统都可以提前做预防性减速，更像人类观察后再决策开过去的谨慎感觉。城市公交车道一直困扰各智驾系统，有了VLA可以识别公交牌文字，并理解语义，得出可以通行的时间段，进而控制车辆是否进入。系统看到明确的土路，泥路后，也能控制车速，增强安心感。有了全场景VLA上车后，系统不再是模仿我们人类司机以前的开车动作，而是像人类一样根据眼睛看到的信息做出现场及时的决策动作。即便遇到训练数据过少，环境更复杂的场景，也能通过VLA的能力实时抓取所有路面信息阅读理解推导出驾驶方案。就我自己的体验而言，VLA让整车智驾对他面前的这个人类世界理解更充分，天气，路面铺装，各种路牌的意义，各种颜色两轮车代表是否外卖车辆（激进加塞），各种路口形态的意义，甚至公交车广告牌的含义，这些更广泛世界的含义其实都在指导我们人类开车和预判多种风险。小鹏全场景VLA上车，我认为这是通向L4，L5的必经之路。而VLA首发G7Ultra更能用好整车三颗图灵自研芯片的车端2250T算力，这个世界很大，算力越大，车辆机器越能看懂。

57. 谷歌的AI布局：非常全面，野心很大，10年内实现AGI #谷歌 #AI #机器人 #Deepmind#世界模型

58. 20分钟读懂AI史上最重要的一篇论文《Attention Is All You Need》

59. 千问3.5以小胜大，阿里巴巴的阳谋藏不住了

60. 硅谷《连线》杂志：性能顶级的 GPT-5们，正在输给一个中国开源模型#连线杂志 #AI #千问 #Qwen #千问恐慌

61. #长城汽车VLA首搭魏牌蓝山# 长城汽车基于VLA大模型研发的全新一代辅助驾驶系统CP Master首次搭载于魏牌全新蓝山智能进阶版，将辅助驾驶推向以“理解与推理”为核心的“体验时代”。VLA大模型的核心在于将视觉感知、语言理解和行为控制深度融合，让汽车系统能像“老司机”一样思考和处理复杂路况。它具备三大核心能力：支持自然语音控车，仅响应主驾指令确保安全；基于空间语义理解预判风险，实现防御性驾驶；通过中控屏实时显示CoT思维链卡片，将决策过程透明化，打破辅助驾驶“黑盒”状态。与主流依赖数据训练的“端到端”模型不同，VLA引入了语言模型的认知能力，使其能够进行逻辑推理，更好地应对未知场景。长城汽车的技术哲学强调“安全第一”而非“炫技”，因此取消了像“招手即停”这样虽酷炫但存在潜在风险的功能。在保定城区的公开实测中，CP Master系统成功应对了施工路段、人车混行路口等复杂场景，实现了平稳流畅的辅助驾驶体验。魏牌全新蓝山智能进阶版作为VLA的首搭车型，配备了27个传感器和NVIDIA DRIVE Thor-U芯片，算力提升176%，为VLA全链路实时运算提供了强大支持。长城汽车以“研发激进、宣传克制”的长期主义，将安全写入AI底层逻辑，为行业提供了智能驾驶发展的新思路。

62. LeCun的JEPA已进化为视觉-语言模型，1.6B参数比肩72B Qwen-VL

63. //@梁斌penny:这题我会。Gemini 从一开始就进行了混合训练，而不是拼凑而成的。在 Gemini 出现之前，大多数模型是“乐高拼接”，分别训练一个视觉编码器（看图）、一个音频编码器（听音）和一个大语言模型（思考）。然后通过一个“胶水层”把它们粘在一起。而Gemini从哪一开始就把各种信号归一成统一的token进行训练，语义空间更大，更接近人类的“世界模型”。。//@云泉微博://@高飞:是的，不故弄玄虚，可能本身就是科学家吧 //@成一虫:这个人相对客观

64. 9月8日，元戎启行亮相德国国际汽车及智慧出行博览会，展示了最新一代辅助驾驶平台DeepRoute IO 2.0及其自研的VLA（Vision-Language-Action）模型，并以“安全第一、量产先行”为战略核心，持续推动海外市场拓展。截至目前，元戎启行已获得超过10款车型的定点合作，累计交付超10万辆搭载城市NOA辅助驾驶系统的量产车型，并计划推进基于量产车平台的Robotaxi业务。元戎启行CEO周光表示：“10万辆的交付不仅证明了我们的量产能力持续提升，也意味着我们在量产流程的适配效率、软硬件稳定性和安全标准等维度均具备高度工程化能力。”元戎启行正积极布局欧洲、日韩等重点海外市场，并践行“两条路线并行”的全球化发展策略：一方面，依托丰富的量产经验和技术成熟度，帮助smart等国内客户加速智能化产品出海；另一方面，深度服务海外与合资车企客户，提供本地化、高适配性的辅助驾驶解决方案，赋能客户拓展更广阔的市场版图。DeepRoute IO 2.0平台具备高度灵活的适配能力，天然适合部署于全球不同市场。其核心搭载的VLA模型具备思维链（Chain of Thought）优势，实现更强的时序推理能力，可更好理解复杂路况。相比传统端到端模型，VLA模型不仅具备高度可解释性，也因其决策路径可追溯、可求导，能有效摆脱黑盒难题。此外，VLA模型具备空间语义理解、异形障碍物识别、文字类引导牌解析、记忆语音控车等关键能力，可帮助驾驶员在大车遮挡、弯道盲区、复杂交汇口等高风险场景中进行预判应对，例如提前减速、智能绕行等操作，实现高度拟人化的“防御性驾驶”策略，进一步提升出行安全性。DeepRoute IO 2.0平台以“多模态+多芯片+多车型”适配为核心设计理念，支持激光雷达与纯视觉版本，适配SUV、MPV、越野车、轿车等多种车型，可满足不同客户个性化部署需求。得益于大语言模型的融合，VLA模型集成大规模知识库，具备强大的语义理解与泛化能力，能够快速学习与适应不同国家的道路交通体系、语言环境与驾驶文化。例如，德国高速公路大段不限速、法国城市中普遍设置多出口环岛、意大利南部街巷狭窄蜿蜒等，这些典型场景对辅助驾驶的语义理解、时序判断与灵活策略都提出了更高要求，VLA模型能实现快速泛化应对，有效提升辅助驾驶系统的本地实用性。#大v聊车##新能源汽车#

65. 11月20号的华为乾崑生态大会，Limera激光视觉传感器再次引起轰动！相比于纯视觉，带有激光雷达的多传感器融合感知到底有哪些好处？为什么华为在融合感知上能够先行一步？下面这个视频告诉你答案。是桃大的微博视频

66. 现在的大语言模型只是开始，真正的智能，要让机器理解物理世界。 #大咖观察 #红衣聊AI #智能制造 #科技

67. 当AI学会了创造世界，科幻电影中的机器人时代开始全面加速！ #AI新星计划 #科技改变生活 #玩个很新的东西 #世界模型 #具身智能

68. 盘点一周AI大事(2月1日)｜AI乌托邦魔幻开局 Google上线世界模型Project Genie 阿里开源实时世界模型LingBot-World AI乌托邦社区Moltbook爆火 Chrome升级为AI浏览器月之暗面发布最强开源大模型Kimi K2.5 Gemini 3 Flash升级视觉能力腾讯发布最强开源图像模型HunyuanImage 3.0-Instruct 阿里开源Z image Base满血版 OpenMOSS发布最强开源视频模型MOVA MIniMax上线顶级音乐模型MiniMax Music 2.5 英伟达开源天气预测模型Earth-2 #AI新星计划 #前沿科技趋势发布月 #抖音知识年终大赏 #AI #AIGC

69. 奥特曼最新访谈：我为什么要如此激进地建算力中心，AI研究和商业化的最新进展#山姆奥特曼 #openai #Ai #世界模型 #Sora

70. 让AI真正理解世界，360是如何做到的？ #大咖观察 #红衣聊AI #国产模型 #人工智能 #编程

71. #科技先锋官# 机器人与实时视觉正成为全球AI技术竞争的核心赛道，各大巨头纷纷加码布局，通过多模态融合、本地智能升级、感知体系革新等创新方向。这一突破重构了机器人的环境交互能力，更拓宽了AI在工业、服务、创意等多场景的应用边界。谷歌DeepMind的创新极具颠覆性，其发布的Gemini Robotics On-Device实现关键突破，成为首个可在机器人本地独立运行的视觉-语言-动作模型。该模型摆脱云端依赖，通过多模态Transformer架构深度融合视觉感知、语言理解与动作规划，响应延迟降至毫秒级，弱网环境下任务完成率超95%，仅需50-100次演示即可让机器人掌握新技能，大幅降低部署成本。OpenAI则通过o3/o4-mini多模态模型强化视觉推理能力，实现带图思考的全新范式，能将图像融入思维链，在医学影像分析、图表解析等场景展现出精准的视觉理解与决策能力。腾讯鸿元发布HY-Motion 1.0模型，聚焦高质量3D动作生成，为机器人实时动画、虚拟人交互提供核心技术支撑；智谱与华为联合推出的GLM-Image多模态模型，在图像生成与编辑领域实现突破，适配国产算力底座。行业层面，DA3通用三维视觉模型、OpenTau开源训练平台等技术的涌现，正推动机器人视觉从多模型适配走向统一化、轻量化，为产业规模化落地奠定基础。#AI生活指南##一条vlog回顾2025##AI创造营# 种斌Marco的微博视频

72. 魏牌宣布长城旗下首款搭载VLA辅助驾驶大模型方案的全新一代辅助驾驶系统Coffee Pilot Master（简称CP Master）将“首搭”魏牌车型。1-10月累计销量已突破8.2万台，相较去年同比增长2倍。这套辅助驾驶方案具备四大核心价值：一是“听得懂”——通过多模态与大语言模型的深度融合，构建更自然、直接的人车交互，用户可通过语音控车功能完成车辆控制；二是“看得见”——依托空间语义理解能力，VLA能够通过当前的道路情况，推理未来可能会发生的情况，将安全防线从“被动应对”前移至“主动避险”；三是“会思考”——凭借视觉-语言融合能力，系统能够主动理解环境，主动思考推理，在各种复杂路况下做出更拟人、更合理的驾驶决策；四是“可信任”——长城通过引入CoT思维链，利用中控屏的卡片实时展示思考过程，用户可以清晰看到感知、推理、决策、执行的全过程，知道每一次加速、减速、绕行、避让背后的思考，让用户直观看到系统的推理逻辑，建立人车之间的信任。#科技WEY美好生活##新岭南新长城#

73. 本博认为“L”肯定是重要的，欢迎大家讨论智能驾驶，让车真正理解物理世界，处理当下交通，预测接下来的交通。智能汽车本身就是大尺寸的具身智能，也就是想哥反复强调的“汽车机器人”，而理想VLA司机大模型，正是走在这条赛道上的关键节点，L也就是语言，对具身智能和机器人都非常重要理想的逻辑很清晰，随着强化学习闭环的完善，云端持续仿真迭代，适应复杂路况，越用越聪明，也是郎博笃定“VLA是最好方案”的底气，这其中，拟人的语言思维，类人的语言沟通，很重要，也是不可越过的一环规则堆砌应对路况已经是远古过去式，用“视觉+语言+行动”的融合逻辑，才能实现类人的认知闭环。VLA大模型通过3D视觉看透空间环境，再用语言语义做深层推理，像人一样理解世界，理解交通，判断交通，沟通交通，预测交通，输出驾驶轨迹，车端通过轨迹实现动作比如提前预判盲区车辆切入，或是听懂“靠近加油站停车”的自然指令。从“看见”到“读懂”再到“做好”的能力，刚好符合汽车机器人的核心需求，不是单纯完成驾驶，车得先像专业司机一样走的好走的稳，才能再像人类司机一样理解场景，预判风险，个性化服务，契合当下的人类出行细节需求#理想高管回应王兴兴质疑#

74. #DeepSeek开源OCR2新模型#DeepSeek-OCR2这个新模型最近很亮眼，它用了个巧妙的思路：把传统视觉编码换成类似大语言模型的结构，让AI可以像读文字一样“理解”图片里的信息。那这样一来，处理文档、表格的准确率明显提升，识别重复内容更少，对扫描文件和网页的适配也更好了。这背后其实反映出一个趋势：AI和视觉处理技术正在深度融合。未来在手机、工业检测、文档数字化这些领域，能做好“视觉+AI”落地的公司，机会可能会越来越多。

75. VLA和世界模型，哪个是自动驾驶的未来？✔VLA一派主要有理想，之前小鹏也是VLA路线支持者，但是第二代VLA，小鹏其实转向世界模型了。✔世界模型一派，有华为，蔚来。蔚来NWM也上车很久了。✔地平线走的是VA路线，把中间的L转译过程省掉了。✔长城的答案是VLA+世界模型，典型的我都要。VLA，擅长通过语言规则理解复杂世界，将【视觉感知—语言理解—行动执行】直接关联，把看—懂—做的联系起来。VLA依赖语言作为中介，将摄像头雷达看到的东西，转化成语言token(比如红灯，有行人)，然后基于语言模型推理规则(比如遇到红灯就要停车，遇到行人横穿马路就刹车)，然后输出动作。而世界模型，其实很好理解，就是真实世界的物理还原。汽车工程运用中，其实(世界模型)更多，比如动力学控制，都是物理学模型。只不过世界模型，很高级，在云端训练真实世界。@吴会肖长城的VLA+世界模型上车后，请求一个试驾。

76. VLA x VLM 是什么？小鹏新发的3款全球化 Robotaxi 采用了第二代的VLA x VLM技术。借此，我们一起来了解其中的基本概念：1. VLM：让汽车能“看懂”世界过去十年，自动驾驶的核心是“感知、决策、控制”三步走。传感器捕捉图像，算法识别车道线和行人，规划系统再计算出最优路线。但这种方式虽然精准，却显得“死板”——它知道前方有红灯，却不知道“那是为什么”；它能看到行人，却不懂“他可能在犹豫要不要过马路”。VLM（Vision-Language Model，视觉语言模型）通过图像—语言的联合训练，获得了类似人类的“语义联想能力”。因此它能读懂交通标志背后的意图、判断场景的逻辑关系、理解自然语言指令（例如“驶向商场入口并靠右停车”）。比如一辆 RoboTaxi 看到前方：红灯亮起、右侧行人抬头张望、左前方车道出现堵车。传统系统会机械地标注出红灯和行人位置；而 VLM 能“理解”这是一个复杂的交叉口场景，甚至能推理出“行人可能准备过马路，应降低车速保持等待”。2. VLA：让机器“会行动”VLA（Vision-Language-Action Model，视觉语言行动模型）是在 VLM 基础上更进一步的智能体系。它不止理解场景，还能根据理解结果做出行动决策。在 VLA 的架构里，输入是一段视频画面和语言指令，输出则是行动命令——方向盘转角、油门开度、刹车力度。它像是汽车的“思考中枢”，把语言理解、视觉感知与运动控制统一成一个闭环。举个栗子，当系统接到指令“靠边停车等待乘客”时，VLA 不再依赖一堆规则判断，而是通过视觉理解当前道路结构，选择合适的停靠点，控制车速减速并靠右靠边，甚至能解释自己的行为：“我没有立即停车，因为右前方有骑车人经过。”当 VLM 与 VLA 结合，一个全新的智能驾驶范式出现了：1. VLM 负责理解世界——它像汽车的“视觉与语言皮层”，让车辆拥有对复杂环境的语义感知能力；2. VLA 负责决策行动——它像汽车的“前额叶与运动皮层”，将理解转化为驾驶行为。这种组合让 RoboTaxi 不再只是依靠传感器数据做几何计算，而是以“理解”为核心进行驾驶决策。它能像人一样思考：“前面那辆车为什么突然减速？是不是有行人要过马路？”。真正的智能驾驶不远了。#小鹏将推出3款全球化Robotaxi#

77. 魏牌全新蓝山智能进阶版近日正式上市，成为全球首款搭载元戎启行VLA（Vision-Language-Action）模型的量产车型，标志着该技术实现从研发到上车的闭环突破。VLA模型融合视觉、语言与决策能力，具备思维链推理与海量知识库，可提升复杂城市场景下的语义理解、异形障碍物识别等能力，实现更稳定、安全的“防御性驾驶”体验。元戎启行目前已交付20万辆城市NOA车型，2025年10月市占率接近40%。未来，公司将持续扩大合作车型与客户体系，目标在2026年累计交付突破一百万辆，并同步推进Robotaxi与RoadAGI业务发展。

78. DeepSeek团队发布视觉压缩OCR模型，哪些信息和技术亮点值得关注？

79. AI的未来，也许不在于模型规模的无限扩大。 #大咖观察 #红衣聊AI #transformer神经网络架构 #人工智能

80. 为何顶尖AI公司都盯上游戏？【硅谷101】

81. 动嘴开车的场景，这次可能真被长城魏牌玩明白了。之前很多所谓的语音控车，你得像背课文一样记指令，说错一个字机器就傻了。但看这次魏牌要搭载的CP Master系统，完全是两个概念。它因为有了VLA大模型的加持，能听懂自然语言。你就像跟副驾朋友聊天一样，随口说句“开快点”、“前面路口右转”，甚至可能稍微模糊一点的指令，它都能结合当下的路况去理解和执行。这就有点厉害了，说明它不是在死记硬背规则，而是真的有了“空间语义理解”能力。比如遇到那种复杂的施工路段或者窄路，它能看懂环境背后的含义，自己规划路线，不用人手忙脚乱地接管。这背后的技术难度其实挺大的，要让车既能“听懂人话”，又能结合视觉感知去“看懂路”，还得安全地把动作做出来，这中间的逻辑闭环非常有讲究。到底这套系统是怎么把大模型落地到车端的？长城CTO吴会肖马上要在VLA Talk里揭秘，如果你是科技迷，这绝对是不能错过的硬核内容，咱们到时候一起看看它的本事到底有多大。#科技WEY美好生活#

82. 为什么我还是无法理解transformer？

83. #徐志胜气笑李诞名场面# 太搞笑了，但各位有没有发现，荣威M7 DMH竟然支持豆包深度思考大模型，当汽车智能座舱，能“深度思考”，那么也就意味着，它有几个维度的提升，首先是模糊语义理解能力，我可以随意的发布指令，倒装句、否定句以及多意图指令，它都能识别并执行，然后是记录贯穿能力，我前面刚跟它说完的，它可以自动关联上下文，深度理解我的需求，还有复杂的车控能力，可以根据需求可以自动调节空调、音量与车窗，一句话，全搞定，这个就很nice~#荣威M7全球首搭豆包大模型AI#

84. 大模型的第一性原理：（一）统计物理篇

85. 当AI能精准看懂合同红线、金融报表和图像细节，也就意味着效率与风险控制的边界正被重新定义。Google最新发布的Gemini 3 Pro在视觉AI领域的升级，不止是技术迭代，更给法律、金融、创意等行业带来了生产力革新。传统合同审查中，资深律师处理一份商业合同需2-4小时，还易漏检隐性风险。Gemini 3 Pro融合视觉识别与法律语义理解，能自动定位风险条款、标注矛盾内容，就像为合同装上智能雷达，不仅将审查效率提升数倍，更把漏检率控制在极低水平，为企业规避潜在法律纠纷。金融报表中的数字、公式与附注环环相扣，人工录入易出错且耗时。该模型可精准提取交易金额、利率等关键信息，将非结构化文档转化为结构化数据，既避免了因数据误差引发的投资风险，也让审计、合规流程更高效，为金融决策提供可靠依据。无论是老旧影片修复还是4K内容制作，AI都能实现画质提升。它可智能优化分辨率，让低清素材升级为高清内容，同时精准还原细节与色彩，这不仅降低了影视后期制作成本，更让历史影像修复、超高清内容生产变得轻松可行。从法律风控到金融合规，再到创意生产，Gemini 3 Pro的突破证明，视觉AI已从识别走向理解，成为各行业的高效助手。#科技先锋官##AI生活指南##AI创造营# 种斌Marco的微博视频

86. #吕俭的汽车科普圈# 今天聊聊VLA。提及VLA，必须先了解端对端。端到端模型大多基于大量模仿学习场景，学习到的是：当看到这种画面，人类通常如何操作。它擅长反应真实视觉信号，但对未显性风险，比如临停车后可能钻出人、围挡内可能窄道，确实欠缺深度推理。所以端对端模型很像教育小孩子，你给他解释太多意义不大，还不如给他直接指令，或者多演示几遍你是如何处理的，他就会依葫芦画瓢。所以过去说端对端，非常强调高算力，通过穷举来尽可能学习处理方法。但这种手把手教的方式，注定了它能触类旁通的能力就不足了。这也是绝大部分家长痛苦的点，孩子即便手把手教，但世界这么大，人类这么复杂，怎么可能穷举解决方案呢。这就会搞得家长身心俱疲，孩子逆反心理。那怎么进一步优化这个策略呢？VLA就出来了。VLA的全称是Vision-Language-Action，顾名思义，视觉-语言/语义-动作。√ 理解视觉场景: 通过视觉模型（如CNN、Transformer）分析图像或视频，理解场景中的物体、环境和事件。例如，识别道路上的车辆、行人、交通信号灯等。√ 理解语言指令: 通过语言模型（如Transformer、BERT）理解用户的文本指令或描述，提取关键信息和意图。例如，理解“向左转，避开前方的行人”这样的指令。√ 生成合理动作: 根据视觉和语言的理解结果，生成合理的动作指令，控制机器人或车辆执行相应的操作。例如，控制车辆转向、加速或减速。也就是说，VLA 引入了语言描述+规则知识+因果关系，能用推理来填补数据缺失的部分。虽然没看到危险，但场景本身意味着风险，那它就会做有利于解除危机的动作。到这一步，孩子是真的长大了。当然了，这种模式是不是绝对完美的。我们现在还不能下定论，毕竟还有另一个很强的模式在推行——WEWA。VLA的强项则在于“懂语义”，对交互和解释友好。比如，为什么车要这么做，VLA可以解释得更自然。但语言模型擅长文本推理，却缺乏对三维空间的精确感知与运动推演能力。车竟是在真实空间中运动的物体，毫厘之差可能就意味着风险。WEWA的强项在于，它能用生成式AI系统性制造各种极端场景，再通过强化学习不断补齐长尾问题。简单说，就是“先出真难题，再逼着车学会”。这样一来，长尾风险能被更快覆盖。当然，这两者也不是绝对对立的。比如WEWA做底座，VLA做增强，或许也是不错的选择。长城汽车最近透露的，他们就尝试把从模型训练到车端推理、解释、执行的链路做成一体化体系：云端承担更复杂的能力生成，车端把关行为的确定性与安全边界，其实这就是融合两种模型优点的意思。

87. 荣威M7 DMH 亮相2025广州琶洲国际会展中心5.2号馆2E04荣威展台。全球首发豆包深度思考大模型及场景，荣威M7 DMH同步亮相并首搭该AI车机。豆包AI车机是这次的一大亮点，业内首个与豆包深度思考大模型全链路深度融合，该模型2025Q3月活1.59亿、市场份额49.2%。拥有三大核心能力，模糊语义理解（覆盖15大场景，识别倒装/否定/多意图指令）、记忆贯穿（关联上下文）、复杂车控（支持300+项车控）。高度实用性造就高频场景，“高段位哄娃神车”（适配全年龄段孩子，化身移动兴趣班）、“暖心出行守护官”（8600+汽车专业知识，解析350+车况数据），语音使用率达90%。当然，荣威M7 DMH产品力本身也很足，DMH 6.0超级混动，CLTC纯电续航160km、综合续航2050km，能耗挑战赛半数用户油耗低于2L/100km。舒适与操控方面，同级唯一乳胶感慕斯舒压座椅、全景沙发躺椅、mCDC智能动态悬挂，实现平稳舒适驾乘。你们觉得是不是很不错呢？

88. 百度近期开源 Qianfan-VL 系列视觉理解模型，有哪些亮点值得关注？

89. #DeepSeek新模型为何被夸爆#其实最让我惊讶的不是技术参数，而是他们的思路变了，让文字直接生成图像理解引擎，用视觉模型来理解长内容。想想确实，我们人类理解一篇文章，脑海里自然会浮现画面和场景。现在DeepSeek让AI拥有了类似的能力，这个思路一旦被验证有效，整个行业可能都要转向。现在回头看，中国AI公司第一次让全球同行感到“被碾压”的压力。接下来是跟着all in视觉路线，还是另辟蹊径？无论哪种，这场AI竞赛都变得更好看了。

90. Andrej Karpathy 分享了他对新论文 DeepSeek-OCR 的看法，不仅仅是对 OCR 模型本身的评价，更重要的是他提出了一个更深远的思考：大语言模型（LLM）是否应该以像素（图像）而非文本作为输入？他认为，文本输入其实是一种信息的有损压缩，丢失了排版、颜色、粗体、表情符号等丰富的视觉信息。相比之下，图像输入：- 可以大幅压缩信息（论文中展示了高效的压缩比），上下文窗口更短，推理更高效。- 允许更通用的输入形式，不仅是文字，还包括图表、手写、图标等多种视觉元素。- 支持双向注意力机制，而非传统语言模型中自回归的单向注意力，提升模型理解能力。- 消除繁琐且问题多多的分词器（tokenizer），避免编码复杂性和安全漏洞，直接让模型“看见”文字，类似人类阅读的方式。Karpathy 设想的未来是：用户始终以图像（即使是渲染的文本）作为输入，助手则以文本形式回应。也就是说，输入是视觉信息，输出是语言文字，LLM 从文本解析器进化成真正的“视觉阅读器”。这不仅是技术的演进，更是对人工智能感知方式的根本重构：文本不过是符号的视觉排列，为什么不让模型直接处理它们的视觉表现？多位业内专家也支持这一观点，认为图像输入的多模态理解更贴近人类认知，能捕捉语义、结构和上下文的丰富信息，超越传统 OCR 的字面识别。当然，挑战依然存在，比如如何高效处理图像块，如何保持对抽象概念的理解，以及输出端是否也应走向视觉化。但这条路线无疑是开启“光学认知”新时代的关键一步，或将重塑人机交互的根基。——原文推文链接：x.com/karpathy/status/1980397031542989305

91. 你期待AI用好奇心帮你做什么？是深挖冷门知识，还是大胆尝试新方案？#大咖观察 #红衣聊AI #好奇心 #复旦

92. 盘点一周AI大事(1月4日)｜Google包揽年度最佳模型 LMArena大模型盲选排行榜公布年度冠军 Google推出AI辅助学习系统Learn Your Way 阿里开源最强手机智能体MAI-UI DeepSeek发布新研究mHC IQuest发布最强开源编码模型IQuest-Coder-V1 字节发布动态概念大模型DLCM 腾讯发布最强开源翻译模型HY-MT1.5 阿里更新最强开源图像模型Qwen-Image-2512 Meta开源极速视频生成模型HiStream 研究员开源对象植入模型InsertAnywhere 研究员开源MV智能体AutoMV 腾讯开源3D动作生成模型Hunyuan Motion 1.0 研究员开源高保真3D模型UltraShape 研究员开源世界模型Yume 1.5 #前沿科技趋势发布月 #抖音知识年终大赏 #AI新星计划 #AI #AIGC

93. DeepSeek新模型爆火，硅谷玩疯了 #DeepSeek团队开源新模型 DeepSeek新模型爆火，硅谷玩疯了！把文字变成图像，让AI一目十行读完一本书！这次，它真的在教AI们，怎么省算力、怎么学会“遗忘” #AI #DeepSeek

94. 中国的AI模型在海外又火了，全球用户迎来更多选择#亚马逊云科技 #AmazonBedrock #生成式AI #出海 #全球化

95. 盘点一周AI大事(12月7日)｜首个AGI模型问世 OpenAI强行上线GPT5.2，跑分击败Gemini重夺地表最强 OpenAI下周发布图像模型绝地反击小香蕉 ChatGPT接入Adobe套装 Google推出顶级语音模型Gemini 2.5 TTS Google上线实时语音互译Gemini 2.5 Audio Google深度研究接入Gemini 3 Pro 智谱推出最强开源手机智能体AutoGLM-Phone-9B Runway推出通用世界模型GWM-1 Meta推出短剧视频模型OneStory Meta推出最强开源版客串Saber 字节发布最强自动驾驶视觉模型UniUGP 阿里开源最强运动控制视频模型WanMove 研究员开源换脸视频模型LivingSwap Integral AI 宣称构建了世界上第一个AGI模型 #抖音知识年终大赏 #AI新星计划 #人工智能 #OpenAI #AIGC

96. #一分钟视频创作季# 谷歌 Veo 3.1：四大维度实现影音生成质的飞跃作为对OpenAI Sora的针对性升级，谷歌 Veo 3.1在Veo 3基础上完成四大核心技术突破，全面强化影音生成能力。Veo 3需后期手动配音频而3.1通过端到端音视频联合生成架构，实现画面与声音的语义深度对齐。无论是环境音、对话还是场景配乐，均能随画面内容同步生成，例如海浪场景自动匹配潮汐声与风声，人物对话实现唇形精准同步，彻底填补前代有影无声的短板。Veo 3.1通过物理引擎级动态模拟重构运动逻辑，让物体碰撞、液体流动等物理交互更符合现实规律。同时视觉保真度提升 40%，纹理细节、色彩还原度与光照模拟精度显著优化，有效减少前代常见的画面油腻感。新增首帧尾帧插值技术，支持用户固定起止画面生成平滑过渡视频，配合优化的图像参考系统，可通过 3 张参考图精准控制画面风格与元素。提示词理解准确率提升 60%，能精准解析复杂场景描述，减少重复生成成本。 “Insert“功能可向场景添加元素并自动适配光影，实现无缝融合。 #AI创造营##Ai生活指南##微博兴趣创作计划# 种斌Marco的微博视频

97. #科技先锋官# AI 界又出现掀桌子的新突破了！英伟达联手斯坦福搞出大动作，让 AI 彻底告别只会画饼，可以直接搭建能触摸的物理世界！更颠覆的是，传统机器人训练靠真机试错，成本高、周期长还易翻车，这个模型却能打造超真实虚拟训练场，让机器人在虚拟世界反复练，一天抵人类几百年训练时长，还能精准理解视觉与指令关联。以往 AI 不过是生成平面画面的画家，而 3D 通才世界模型仅凭一段文本，就能造出带真实材质、光影的高保真 3D 交互环境，还能补全自动驾驶极端场景数据、助力医疗个性化治疗、降低元宇宙创作成本，跨行业颠覆玩法！想知道这个模型如何打通虚拟与现实，解锁未来科技新可能吗？#微博超有用视频大赛##上微博涨知识##AI生活指南# 种斌Marco的微博视频

98. 英伟达研究：Agent时代，就是小模型时代

99. 豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事

100. Seedream5.0深度测评，炸裂玩法大集合！新上线的生图模型Seedream5.0到底怎么样？1期视频搭配超多案例，快速上手核心玩法！#ai #设计 #ai生图 #ai教程 #托尼三三

101. 昨天上市的魏牌全新蓝山智能进阶版，是全球首款搭载元戎启行VLA（视觉-语言-动作）模型的量产车型！VLA模型是元戎启行于2025年8月发布的核心技术，融合了视觉感知、语言理解与动作决策能力。其优势在于引入了语言模型的思维链，提升了决策的可解释性，并集成了海量知识库，从而具备更强的泛化能力，能更好地应对复杂多变的真实城市路况。该模型具备空间语义理解、异形障碍物识别等四大功能，旨在为用户提供更稳定、可控的“防御性驾驶”体验。就像元戎启行CEO周光强调的，VLA模型的目标是让辅助驾驶具备类似人类“老司机”的思考判断能力。元戎目前已累计交付20万辆搭载城市NOA的车辆，并在2025年10月取得城市NOA第三方供应商市场单月市占率近40%的成绩。展望未来，元戎启行计划在2026年实现累计交付百万辆的目标，并同步推进Robotaxi和RoadAGI业务！

102. DeepSeek团队发布视觉压缩OCR模型，哪些信息和技术亮点值得关注？

103. 综合能力比肩GPT5，万亿参数思考模型Ring-1T来了！#AI #国产大模型 #蚂蚁百灵 #AIGC

104. 英伟达很快会反超谷歌TPU，AI模型的竞争格局会在2026年1季度变天#英伟达 #马斯克 #算力 #Gemini3#TPU #GPU #AI模型#算力集群

105. 盘点一周AI大事(9月28日)｜ChatGPT上线私人秘书 OpenAI与英伟达签手成功，英伟达投资OpenAI 1000亿打造算力中心微软与Anthropic感情升温，Copilot也接入了Claude ChatGPT上线私人秘书Agent ChatGPT Palse OpenAI 发布职业力基准测试GDPval 阿里推出千问全家桶，Qwen 3 Max数学竞赛拿满分，多模态Qwen 3 omni全面对标Gemini，最强视觉Qwen VL打败闭源 DeepSeek更新V3.1最终版 Meta开源代码世界模型 Google开发出生成式操作系统原型 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

106. 【IGN】《守护者》评测：被赋予了生命的超现实主义画作

107. 理想 VLA 体验，一个随叫随到的 AI 司机！

108. 【LMArena最新排名：视觉理解，文心5.0 Preview成最强国产模型】11月22日，备受行业关注的LMArena大模型竞技场公布最新排名结果，其中文心大模型ERNIE-5.0-Preview-1120在视觉理解榜中交出了亮眼答卷，以1206分的成绩位列国内第一，更值得关注的是，其整体水平已与Claude-Sonnet-4、GPT-5-high等国际一线大模型相当，成为国产模型在该领域与国际顶尖力量同台竞技的重要突破。在LMArena众多细分榜单中，视觉理解榜对应的应用场景并非简单的图像识别，而是工业质检、视频解析、医疗影像分析这类对模型精度和可靠性要求极高的核心领域。工业质检的任何误差都可能影响整条生产线的效率，医疗影像分析则关系到诊断的准确性，这类任务更能深度检验其底层能力。此前，国内虽有部分模型在LMArena的其他赛道展现出一定潜力，取得过不错的成绩，但在视觉理解榜这一“硬骨头”赛道上，能真正突破门槛、与国际一线模型同场比拼的却几乎没有。而文心5.0 Preview不仅成功跻身该榜单，更成为目前国内在该榜单中排名最高的模型，1206分的成绩背后，是其在视觉推理与跨模态理解能力上的扎实积累，标志着国产模型已具备在视觉任务中与国际顶尖模型抗衡的实力。文心5.0 Preview的成绩并非偶然，而是源于其独特且扎实的技术路线。作为新一代原生全模态大模型，它摒弃了业界多数多模态模型的后期融合模式，而从训练之初就将语言、图像、视频、音频等多模态数据统一，让多模态特征充分交互、协同优化，从根源上实现了原生的全模态统一理解与生成，而非简单的功能叠加，这也为其在视觉理解任务中的出色表现奠定了基础。除了核心技术路线的优势，文心5.0在架构设计上的创新进一步强化了其性能。依托飞桨深度学习框架，该模型采用超稀疏混合专家架构，总参数量突破2.4万亿，这一庞大的参数规模为模型处理复杂任务提供了充足的算力支撑；同时，其激活参数比例低于3%，这一设计在保证模型强大处理能力的同时，有效降低了推理过程中的资源消耗，大幅提升了实际应用中的效率，让模型在面对大规模视觉数据时既能保持高精度，又能兼顾处理速度。此外，为了进一步提升模型的实用能力，文心5.0还基于大规模工具环境，合成了长程任务轨迹数据。同时，通过基于思维链和行动链的端到端多轮强化学习训练，模型的智能体与工具调用能力得到显著提升，进一步增强了其在实际应用中的适应性。作为目前国内唯一在LMArena视觉理解榜中站稳脚跟的模型，文心5.0 Preview的1206分不仅是一个排名上的突破，更承载着国产大模型在全模态核心技术领域的发展成果。它用实力证明，国产模型已不再局限于中低难度任务，而是具备了在高难度、高价值的视觉理解场景中与国际一线模型竞争的能力，这不仅为国产大模型的技术发展注入了信心，更为后续国产模型在全球大模型竞争格局中提升国际竞争力提供了有力支撑。#百度##Ai##大模型##科技##AI技术##科技先锋官#

109. #DeepSeek新模型为何被夸爆#如果DS可以把语言模型变成视觉模型，确实会更容易理解。就像人一样，就像如果给咱们一大段长文字，你可能一时间无法捕捉到关键内容，理解起来也会更麻烦。但是如果变成了图像，无疑就会把内容展示的更直观。所以，这样的话，它的理解能力变得更类人，但效率远超过人类。

110. 大模型微调缺少高质量数据怎么办，有没有新思路新办法？

111. #吕俭的汽车科普圈# 今天聊聊车位到车位的3D建模。我昨天去商场停车，我直行，前面车要入侧方库，我便停车等待。原本都是常规操作，但没想到那位车主一直摇车窗，吵我喊什么。我打开窗才听清楚，原来是要我关灯，影响她停车了....你看，停车入库，总有你想不到的需求。所以说嘛，自动泊车这东西还是挺有必要的。但这个自动泊车也挺考究的。因为大部分停车场的光线差、到处都是柱子、地面光滑反光，普通2D图像难以定位，所以必须用3D来理解空间。而且这种模式要实时扫描，所以完全要靠车本身获取数据，不能依赖导航地图、云端数据。这套设计看似简单，实现起来挺复杂。比如车怎么知道停哪里？柱子长得都一样，怎么区分？而且停车场结构单一，白墙、灰地面，柱子都一样，纹理、特征点很少，视觉SLAM容易匹配错，导致地图错位。再来了，车位线往往模糊、断线、被遮挡，经常还能看到两辆车挤得很近，所以车子还要算出真实宽度、倾斜角度、凸点/柱子距离、允许停车的有效空间等。解决这个问题还挺复杂的，它需要多模态融合SLAM +语义理解+实时局部建图。车位到车位的3D建模，需要车子一边走、一边靠自己的感知硬件把整个停车区域实时扫出来。车上所有传感器都会一起上阵：摄像头用来捕捉纹理和车位线，激光雷达或深度视觉负责生成深度信息，毫米波雷达补充金属反射点，超声波负责近场距离，IMU和轮速计则用来校准位姿，车才知道移动了多少。这是解决了看的问题。还得解决理解的问题。系统会把这些不同模态的数据融合成一个SLAM架构，让车在没有GPS的停车场里也能同时完成定位和建图。在这个基础上，AI模型会去理解图像和点云中的语义信息，识别出柱子、墙面、车辆轮廓、车位线这些关键特征，再把它们组合成一个结构化的3D场景。随后，建好的三维模型会不断被实时更新，形成一张局部的小地图，让车辆知道通道在哪、车位真实宽度是多少、哪里有凸点、哪里需要规避。等环境理解清楚了，系统就能基于三维模型去算泊车路线，包括倒车轨迹、转向角度、减速点，以及需要绕过哪些障碍。总之了，现在车越来越大，停车场越来越拥挤，要做好车位到车位的3D建模挺难的。但反过来说，以后恐怕这就是刚需了。

112. #豆包大模型2.0发布# 刚刚看到了这个更新了，[专家模式] 开始啦！ 2.0全面升级了多模态能力，在各类视觉理解任务上均达到世界顶尖水平，视觉推理、感知能力、空间推理与长上下文理解能力表现尤为突出，豆包2.0 Pro 在大多数相关基准测试中取得最高分。提升长程任务执行能力，需要丰富的真实世界知识。通过加强长尾领域知识，豆包2.0 Pro在SuperGPQA 上分数超过 GPT 5.2，并在 HealthBench 上拿到第一名，在科学领域的整体成绩与 Gemini 3 Pro和 GPT 5.2相当。更专业、深入的分析与创作能力，帮大家高效解决复杂问题，全面提升学习、工作与创作效卒。 #HOW I AI##过个有AI年#

113. 最近在看这个博主分享的一些化妆的理念，自己总结了一下，感觉非常的实用。视觉中断往往比线条延续更能缩短面部比例中庭显长的问题不能靠延长线条去填补，换一个思路，要通过制造视觉断点➕集中视线区域来缩短面中长度。【第一张图自己的理解】鼻影一气呵成会拉长视觉动线，让面部看起来更长，那么适当中断一次（比如在鼻梁中段略收），反而能制造视觉停顿，切断中面长度感是很有效的手法。修容尽量从眼头和鼻梁结合处开始，很多人直接眉头往下扫，其实会把面中拉更长，我们需要弱化鼻梁存在感，鼻梁不一定要强修，如果本身不高，硬修只会拉长轮廓，看起来很奇怪🤔【第二张图自己的理解】眼线越下垂，视线越往下走脸越长，轻轻往上扬一点点让面中焦点往上提，如果本身眼睛👀就是上扬的，那就不适合再提了，可以压一压眼尾阴影让线条更水平一点，看起来均衡，主要眼妆还是要画出停留感，也就是让眼神定格在五官集中区域，整体视觉更紧凑一点，不那么空旷扩散。都是通过减法干预视觉走向，让面部比例看起来更和谐集中，美丽的尽头是紧凑一点🙊

114. DeepSeek-OCR一开始以为是又一个普通的OCR模型，认真看了下论文，发现其重点是压缩，可以有助于LLM或者Agent的记忆管理。DeepSeek-AI 团队提出了一种全新的Contexts Optical Compression 方法，核心思想是：利用视觉模态作为一种高效的文本压缩媒介，以图像形式表示长文本，从而大幅减少LLM处理长上下文的计算负担。DeepSeek-OCR 首次验证了将文本信息以视觉形式进行高效压缩与恢复的可行性，在 10× 压缩下仍能近乎无损地还原文本。1. 研究动机当前LLM在处理长文本时面临计算量随序列长度平方增长的问题。论文提出将长文本转化为图像，让视觉模型（VLM）对其进行编码，用较少的视觉 token 表示大量文本信息，实现“以视觉压缩文本”的思路。这种“光学压缩”既能显著减少 token 数量，又可能启发 LLM 的长期记忆与遗忘机制研究。2. 模型架构DeepSeek-OCR 由两部分组成：（1）DeepEncoder：一种新型视觉编码器，结合 SAM-base（局部注意力）与 CLIP-large（全局注意力），中间加入 16× 卷积压缩模块，可在高分辨率下保持低激活内存并显著减少视觉 token。（2）DeepSeek-3B-MoE 解码器：基于 Mixture-of-Experts 架构，推理时仅激活 570M 参数，用于从视觉 latent token 重建原始文本。3. 多分辨率与模式支持DeepEncoder 支持多种输入模式（Tiny、Small、Base、Large、Gundam），对应不同分辨率与视觉 token 数，方便在研究不同压缩率或实际应用时灵活选择。例如 Gundam 模式可解析超高分辨率文档（如报纸），最高支持动态拼图式输入。4. 视觉遗忘机制作者提出“视觉化遗忘机制”假设：可以通过逐步缩小图像分辨率模拟人类记忆衰减过程，实现“信息随时间模糊化”的长期上下文管理。光学上下文压缩或可成为未来 LLM 无限上下文架构的关键方向。项目：github.com/deepseek-ai/DeepSeek-OCR#人工智能##程序员#

115. #春晚的底气是豆包大模型# 今年看春晚机器人表演，感觉完全不一样了。去年是整齐划一的“炫技”，今年是带着“人味儿”的互动。作为一个老机器人迷，最戳我的不是动作多复杂，而是那种被“懂得”的感觉。#豆包过年#就像家里那个会剪窗花、写福字的服务机器人，以前是指令，现在是交流。豆包大模型给的，大概就是这份“理解力”吧。能让钢铁骨架理解节日祝福的语义，做出有情绪的反应，这才是科技最浪漫的地方——它让工具变成了能传递温暖的伙伴。今年春晚，机器人的“眼睛”里，好像真的有光了。

116. 从百度「Qianfan-VL·Domain-Enhanced」到「Native」，看多模态大模型的下半场

117. Meta：多模态奖励模型到底差在哪

118. 语言如何影响视觉？人脑与AI模型提供了双重证据

119. 微软：多模态大模型能力解耦分析

120. 真机智能刘智勇：视觉语言导航研究之未来语义与三维表征方法解析

121. AI核心知识十——多模态大模型

122. MME：多模态大语言模型综合评估基准

123. 跟踪 | AI应用的胜负手-多模态，从AI视频到机器人

124. 青岛国之信检测分享：大模型理解能力评测解析

125. DeepSeek OCR的启发（一）文字以视觉形式存在：从OCR（文本图像到文本）到扩散生成（文本到文本图像）的多模态统一

126. 当图像开始“说话”：BPE-V 为多模态统一打开新入口

127. 直接预测vision token实现Think with image

128. 解构多模态大模型：能力、技术与未来

129. 大语言模型-视觉理解测评 25-09月榜

130. 多模态大模型的研究方向多模态大模型发论文

131. 多模态空间推理在大模型时代：综述与基准测试

132. 多模态视角下的视觉模型演进与未来图像智能趋势

133. 后端开发者必看：彻底搞懂大模型多模态技术原理与实战落地

134. 多模态理解与生成综述（一）：前言、分类及架构

135. 上海交大团队揭示基于语言的多模态视觉-大脑对齐的深层语义不确定性感知

136. UCSB推出「动态多模态潜在推理」框架DMLR

137. [CVPR2025|通用零样本学习中的视觉与语义]

138. AbductiveMLLM: 双模态溯因

139. 聚焦结构化注意力，探索提升多模态大模型文档问答性能

140. 多模态大模型的发展

141. 多模态大模型VLM基础（一）：从源头开始

142. 多模态大规模语言模型技术应用

143. 多模态可解释性又“杀疯了”！剑桥新作成风向标，2026发文就选这个赛道

144. 🚀这模型居然能理解人类审美与质感

145. 论文导读 | 多模态实体链接

146. 详解大模型：多模态大语言模型训练策略

147. SLAM-Free 视觉导航：具有层次化视觉-语言感知与粗到精的语义拓扑规划 - 哔哩哔哩

148. SLAM-Free 视觉导航：具有层次化视觉-语言感知与粗到精的语义拓扑规划

149. ICCV25 Highlight｜格灵深瞳RICE模型狂刷榜单，让AI「看懂」图片的每个细节

150. 往期精彩|PLOS Biology：视觉与语言的神经联动，竟是大脑认知物体的关键！

151. 什么是多模态大模型，生成式大模型与多模态大模型

152. 用MLLM当“裁判”，UniME-V2刷新多模态极限

153. 多模态大模型：开启下一代多模态应用的革命性突破

154. 苏州大学 · 冯文锋、赵松课题组 | 《NeuroImage》发文揭示视听语义整合促进视觉工作记忆的主动存储

155. CVPR 2024 | 用于生成式零样本学习的视觉增强动态语义原型

156. 多模态大模型研究方向大模型多模态创新点

157. 训练成本降低43%!多模态推理新SOTA!复现即中稿，速来抄作业!

158. 现代深度学习基础【第八讲：多模态大模型与VLA】

159. 王炸组合：视觉语言模型+强化学习=新一代灌水神器？

160. 高德&西交语义与空间解耦具身导航！JanusVLN：基于双隐式记忆的视觉语言导航框架

161. 让AI当“评审员”，多模态模型更靠谱

162. VSE-MOT：视觉语义增强引导，让多目标跟踪在低画质视频中性能飙升20%

163. 多模态大模型还有可以发展的方向？

164. 多模态大模型评测中的"隐形浪费"：一半工作可能都在做重复劳动

165. 人工智能多模态大模型技术：发展历程、应用场景与核心原理

多模态大模型真能理解视觉吗？全网观点大PK

精选参考来源