OpenAI正式推出ChatGPT Images 2.0，标志着其图像生成技术迈入新阶段。该模型基于前沿的生成式人工智能技术，在核心能力上实现了多维突破。首先，其文本渲染能力获得显著改善，能够更精准地将复杂文本提示转化为视觉...

百度近期在GitHub上开源了其企业级视觉语言模型系列——千帆VL（Qianfan-VL）。该系列模型并非通用型多模态模型的简单变体，而是针对工业场景进行了深度优化和增强的专用模型。其核心设计目标是解决企业级应用中的实际...

Mini-o3作为新兴开源视觉推理模型，实现了与OpenAI o3类似的多轮交互能力，支持高达数十轮的连续对话推理。该项目完全公开训练流程，涵盖数据构建、模型架构与训练策略，为学术界和工业界提供可复现的视觉-语言智能...

近日，DriveLMM-o1项目发布了一款全新的数据集和基准测试，旨在提升自动驾驶系统中逐步视觉推理的准确性和决策能力。该数据集通过模拟复杂的驾驶场景，为人工智能驱动的自动驾驶技术提供了更加精细的视觉推理支持。D...

近日，R1-OneVision作为一种多功能的大型多模态模型，正式在GitHub上发布。该模型通过整合视觉与文本数据，在数学、科学、深度图像理解及逻辑推理等复杂任务中表现出色。R1-OneVision的设计旨在解决传统单一模态模型...

近期，Qwen公司宣布推出了其最新研发的视觉推理模型QvQ，这款模型在视觉理解和推理方面取得了重大突破。QvQ利用深度学习技术，通过分析图像内容，对图像中的对象、场景和动作进行精准识别与推理。QvQ模型的推理能力...

像GPT-4V这样的视觉-语言模型在理解和与图像和文本交互方面正在快速发展。然而，最近的一项研究揭示了它们在视觉推理上的重大限制。研究人员使用复杂的视觉难题，如智商测试中的难题，来测试这些模型，并发现它们在...

CogCoM是一种全新的通用视觉语言模型，它具有独特的操作链机制。这使得它能够通过主动调整输入图像来处理多轮视觉推理。该模型已经在GitHub上发布。