标签
Opposide 推出可在 Android 手机本地运行的 GUI 智能体：使用 4-bit 量化的 GUI-Owl 1.5 2B 模型（基于 Qwen3-VL，由 Alibaba Mobile-Agent 团队出品），通过 llama.cpp 在设备上直接读屏并操作任意应用，无需服务器。通过裁剪状态栏、丢弃平坦背景图像 token 等优化，Mac M2 CPU 上单步耗时从 10.6 秒降至 7.3 秒，且在 36 屏测试集上精度不降。
提出一种无需人工偏好标注的多模态奖励建模方法：在冻结的 Qwen3-VL 骨干网络的中间层上训练线性探针，通过扰动字幕对比进行训练，在多个基准上达到或超过 GPT-4o，且微调计算量仅为千分之一。
Unitree 发布了 UnifoLM-WLA-1.0，一个 6B 参数的全身视觉-语言-动作基础模型，基于约 2500 小时的真实机器人数据训练，可在 Unitree G1 人形机器人上完成 64 项任务。其架构基于 Qwen3-VL 构建的具身推理器，并在其上叠加 MMDiT 动作专家。
论文提出了 FORESIGHT，一种无需训练的双流架构，采用两个孪生 LLM 来预判未来上下文，并动态重构流式视觉-语言模型中的计算路径。在冻结 Qwen3-VL-8B 主干网络的条件下，该方法在 OmniPro Online 上取得 23.0 的平均联合 F1 分数，较基座模型在 StreamingBench 上提升 6.7，在 OVO-Bench 上提升 15.4。
发布一个NVFP4量化的无审查MiniMax-H3文本编码器（Qwen3-VL-32B Heretic），可适配在单张16GB GPU上，并可作为ComfyUI工作流中的直接替代品。
一个Hugging Face仓库，提供未经审查的Qwen3-VL-32B变体的ComfyUI safetensors检查点，包含BF16和INT8 ConvRot H3条件编码器以及可选的生成尾部。
该仓库提供 Qwen3-VL-32B 的 INT8 ConvRot 量化 ComfyUI safetensors，包括包含第 0-49 层的 MiniMax-H3 条件编码器，以及用于第 50-63 层的可选提示增强尾部，专为在 32GB GPU 上的 ComfyUI 使用而设计。
本文介绍了MMIR-TCM，一种新颖的框架，它整合了多模态大语言模型与记忆增强分割和检索增强生成技术，以支持中医临床决策，同时提供了新的数据集MedTCM和评估指标TDEU。
本文介绍 Qwen3-VL，一个最先进的视觉语言模型，在视觉感知、推理和代理能力方面有全面增强，提供多种架构以支持灵活部署。