标签
一项实测基准评估在 48 张带标注的 COCO 照片上，测试了 TypeSafe 的 Jev 1.14 的图像输入和新增 Box（边界框）输出功能，发现其是非判断准确率很高（98.4%），但也存在明显陷阱：Box 从不回答“未找到”，置信度阈值无法在不同模型版本之间通用，而且措辞会显著影响概率。作者建议，每次使用 Box 时都配合目标是否存在的检查，为每个问题单独设置阈值，并固定模型版本。
Jev 决策模型现已支持多模态输入，允许在状态和问题中同时传入图像，并新增了 Box 类型，可返回 YOLO 风格的边界框用于目标定位。此次更新还支持并行问答，适用于交互式视觉应用，其中图像和 Box 功能仍处于实验阶段。
GroundingPI 与 XPeng、北大、港大合作发布了3个开源模型：4B 基础模型（支持检测、指代、OCR 等多种 grounding 能力）、基于扩散并行解码的快速 grounding 模型 GroundAnything，以及基于自回归 VLM 的高精度 grounding 模型 GroundAnything VLM。
WinARDet 提出压缩窗口自回归（WinAR）机制，将长答案序列划分为受限自回归窗口并用压缩潜变量表示历史，缓解密集视觉语言定位中的注意力抢占与框重复问题，在 RSDense 上将 RexOmni F1 从 32.16 提升至 39.36。
一位开发者分享了在本地硬件上将对象检测延迟降低到0.35秒以下的成就，突显了人工智能性能优化的进展。
PAANI 是一种用于河流机器人模拟的设备端感知指导架构，它结合了 YOLO11n 和 MobileNetV3-Small 模型，并在 Arduino UNO Q 上进行证据融合，以提供可解释性的导航建议，评估结果在边缘AI应用中表现出良好前景。
本文提出一种用于遥感应用中声纳数据处理的替代信号中心方法，采用CSV格式和声学处理，将处理时间减少91.18%，并提升ML驱动的目标检测性能。
用户探讨如何在较旧的安防摄像头上添加人工智能对象检测，而不增加网络带宽压力，考虑使用本地设备进行边缘处理以本地分析视频，仅发送警报或短片段，并寻求关于混合架构和API集成的建议。
本文介绍了TAPe+MLv3，一种紧凑的计算机视觉系统，它使用结构化表示进行多任务学习，在COCO等基准测试上取得了具有竞争力的性能，且参数少于100,000。
对抗性时尚正作为一种创意回应针对AI驱动的监控而兴起，使用彩色图案和设计来规避物体检测系统，例如noRecognition和Cap_able等项目和产品已经可用。
一段演示展示了如何仅用 10 行 Python 代码分析无人机拍摄的拥挤街道画面，检测并清点数百人，体现了计算机视觉技术已变得触手可及。
本文介绍了 Spatially-Sparse Linear Attention，用于事件相机的低延迟目标检测，以比先前异步方法低20倍的计算量实现了最先进的精度。
结构化先验知识（SPK）是一个框架，它从预训练目标检测器中显式提取潜在的语义、几何和上下文先验，以实现最先进的离群分布检测，提高可解释性和可靠性。
OpenAI 的 GPT-5.6 Sol 在基准测试中被评估为该公司迄今最强的视觉模型，与 GPT-5.5 等前代模型相比，在物体检测和其他视觉任务上表现出显著提升。
腾讯研究人员提出YOLO-PEFT，一种结构感知框架，将适配器放置视为约束规划，在YOLO检测器上优于全量微调，同时使用的可训练参数显著更少。
VLX-Seek-1.5-10B 是 omlab 推出的开源 10B 视觉语言模型，专为无人机、机器人和监控等具身场景中的细粒度视觉定位而设计，采用区域引用定位而非坐标生成。
YOLO-PEFT 是一个结构感知框架，将适配器放置建模为约束规划问题，用于 YOLO 检测器的参数高效微调，在降低内存占用的同时取得了优于全量微调的 mAP。
SkalskiP 重点介绍了 Qwen3.8-Max，这是一个用于目标检测的视觉语言模型，可以通过正负框提示生成检测结果，在单个或多个提示下实现 60-80% 的 mAP，并且在不同类型的图像上表现良好。
一条推文声称 Qwen3.8-Max 是最佳目标检测 VLM，在卫星、红外、文档和手绘图像方面表现出色，并分享了示例。
本文介绍了SULAND v2，一个精细化的RGB地表地雷检测数据集和基准，用于UAV/UGV测量，解决了目标检测中的标注错误和域偏移评估问题。