AI在线 AI在线

视觉模型

MinerU2.5源码拆解：双后端架构设计与企业级部署实践

MinerU2.5源码拆解：双后端架构设计与企业级部署实践
8月中旬的时候，我去MinerU的办公室交流过一次。 当时对方有位工作人员表示，接下来会很快基于视觉模型的路线实现全面 SOTA。 说实话，那个时候我还挺怀疑的。
10/24/2025 11:16:41 AM
韦东东
告别“提示词魔咒”？通义千问发布Qwen3-VL官方指南，手把手教你调用最强视觉模型

告别“提示词魔咒”？通义千问发布Qwen3-VL官方指南，手把手教你调用最强视觉模型
编辑 | 听雨出品 | 51CTO技术栈（微信号：blog51cto）就在今天，通义千问发布了Qwen3-VL官方指南，并将其称为“Cookbooks”烹饪书。 图片这本“烹饪书”可谓让用户告别“魔咒”。 因为对于强大的AI模型，尤其是多模态模型，我们常常需要反复尝试、精心设计非常复杂和精确的指令（即“提示词”），才能让模型输出理想的结果。
10/11/2025 4:10:59 PM
听雨
最新研究揭示视觉模型与人脑的对齐机制

最新研究揭示视觉模型与人脑的对齐机制
AI看世界的方式，与人类大脑保持一致。 但究竟是什么因素驱动了这种脑-模型相似性，至今仍缺乏清晰认识。 为此，FAIR与巴黎高等师范学院通过训练自监督视觉Transformer模型（DINOv3），并使用功能性磁共振成像（fMRI ）和脑磁图（MEG）从不同指标评估脑-模型相似性。
9/2/2025 12:57:59 PM
时令
智谱AI开源GLM-4.1V-Thinking:多模态推理模型再突破

智谱AI开源GLM-4.1V-Thinking:多模态推理模型再突破
智谱AI正式开源最新一代通用视觉模型GLM-4.1V-Thinking，基于GLM-4V架构，新增思维链推理机制，显著提升复杂认知任务能力。 该模型支持图像、视频、文档等多模态输入，擅长长视频理解、图像问答、学科解题、文字识别、文档解读、Grounding、GUI Agent及代码生成等多样化场景，覆盖千行百业的应用需求。 GLM-4.1V-9B-Thinking在28项权威评测中表现卓越，其中23项达成10B级模型最佳成绩，18项持平或超越72B参数的Qwen-2.5-VL，涵盖MMStar、MMMU-Pro、ChartQAPro、OSWorld等基准测试。
7/2/2025 5:00:55 PM
AI在线
苹果发布 FastVLM 视觉语言模型，为新型智能眼镜等穿戴设备铺路

苹果发布 FastVLM 视觉语言模型，为新型智能眼镜等穿戴设备铺路
技术文档显示，FastVLM 在保持精度的前提下，实现了高分辨率图像处理的近实时响应，同时所需的计算量比同类模型要少得多。
5/13/2025 2:48:39 PM
问舟
视觉模型进入MoE时代！DeepSeek开源全新视觉模型VL2，逆向由图生成代码、梗图解析、几张图生成一篇童话！

视觉模型进入MoE时代！DeepSeek开源全新视觉模型VL2，逆向由图生成代码、梗图解析、几张图生成一篇童话！
编辑 | 言征出品 | 51CTO技术栈（微信号：blog51cto）12月13日晚，国内开源模型玩家深度求索发布了视觉模型 DeepSeek-VL2。 这次DeepSeek视觉模型给这一领域带来了不少看新看点：1、模型层面，视觉模型也可以使用 MoE 架构，而且可以配合动态切图2、新增了不少生成玩法，如：视觉定位，模型可以根据提示识别出物体的边界范围，再比如梗图理解和解析。 3、图表理解：可以根据plot图逆向生成代码。
12/17/2024 1:55:21 PM
言征