标签
Fovea-4B 是一个拥有 40 亿参数的开放权重视觉模型，将 Jev 风格的类型化决策契约引入图像，在 ImageJev 风格任务中以 80.6 的机会校正准确率和出色的校准表现（ECE 0.035）领先，并以 Apache-2.0 许可证发布。
《自然》上的一篇论文介绍了 EVLF-FM，这是一款拥有 80 亿参数、具备细粒度可解释性的临床多模态视觉语言基础模型，在放射学、皮肤病学及其他医疗任务中的表现优于临床医生，表明前沿水平的医疗智能无需数据中心级别的算力即可运行。
Canva 推出了其首个视觉语言模型 Brush，能够理解设计的布局、图层与风格并协助用户编辑，被视为传统创意平台在 AI 时代自研模型的重要转折点。
inclusionAI 发布了 ZwZ2 系列（27B/9B/4B），基于 Qwen3.6 微调的视觉语言模型，通过 EvidenceConnect 构建的多区域验证数据与 GRPO 训练，在六大领域 25 个基准上均超越基座模型，总体准确率从 55.52 提升至 60.51（+4.99）。
Canva 推出了其首个视觉语言模型 Brush，能够理解设计的布局、图层与风格，并协助用户进行文本修改、整套演示文稿重设计以及从空白页面生成设计。
Canva Research 推出了 Canva Brush，这是一款通过理解设计结构来进行编辑的视觉-语言模型，声称编辑速度最高提升 69%、成本降低 46%，同时保持所有内容完全可编辑。目前该模型已为 Canva Pro 订阅用户的 AI 设计编辑功能提供支持。
一个 20 亿参数的视觉语言模型 LFM3-VL-2B，在单块 RTX 3060 上仅用 5.5 小时、无需任何微调，便在 San Fernando Valley 的 16,692 张航拍图像瓦片中框选出 62,873 个泳池。该 VL-2B 模型在视觉定位（visual grounding）任务上得分为 77.3，相比 LFM2.5-VL-3B 的 68.3 有显著提升。
LFM3-VL-2B 视觉语言模型可在浏览器中通过 WebGPU 本地实时进行视频字幕生成，LiquidAI 还发布了对应的 Hugging Face 模型集合与在线演示。
Maxime Labonne 分享了一个有趣的演示，展示了一个新训练的多模态模型，能够在单次前向传播中进行边界框检测，同时回答其他问题，该成果归功于 Aurélien Lac。
Psi-0.6 是一个统一的视觉语言世界模型，通过“思维流”自适应地组合感知、语言、几何与仿真能力，在多视角空间推理任务上实现零样本性能提升，并支持利用任务反馈通过强化学习优化的反事实仿真。
DriveMind 是一个基于多模态大模型的自动驾驶框架，借鉴粒子滤波思想维护并更新多个场景假设，在 Bench2Drive 上将驾驶分数从 68.50 提升至 81.37，在无信号交叉口等歧义场景中提升尤为显著。
RoboJev-27B 是一个开放权重的视觉语言评判模型，可根据视频帧预测机器人操作是否成功，在 SO-101 机器人上达到了 95.2% 的平衡准确率，并能在未见过的实验室和机器人上展现出强大的泛化能力，其推理代码和完整评估数据均已公开。
Jerry Liu 宣布发布 OCRia-1，一款面向文档解析的前沿 VLM，在准确率、成本和延迟上均达到新的 SOTA，并在 ParseBench 及多个第三方基准上取得领先成绩。
该论文提出 RadCarve 方法，将放射学报告的生成单元直接定义为解剖区域集合，通过组成特化的查询库联合预测单元存在与区域构成，在 Chest ImaGenome 和 PadChest-GR 上以不到大模型六分之一的参数量取得领先的报告生成性能。
WeVisOne-VL (WeChat Vision All-in-One) 是一个统一对象级与像素级视觉感知的视觉语言模型，通过结构化 token 预测与轻量像素解码器支持检测、定位、计数、OCR、分割和抠像等任务，在30多个基准上取得领先性能，并已开源 2B/4B 模型。
OvisOCR3 是一款紧凑的 0.8B 视觉语言模型，通过多教师在线策略蒸馏和混合任务强化学习，将文档解析、通用 OCR、关键信息提取、图表描述和跨页表格重建统一起来，在 OmniDocBench v1.6、OCRBench v2 和 PureDocBench 等基准测试中取得了最先进的成绩。
Liquid AI 发布 LFM3-VL-2B，一款面向端侧视觉理解的 1.92B 视觉语言模型，支持文本、图像和视频输入，并引入视频理解、逐步思考以及空间与具身推理能力。
作者在冷门知识（Anno 1602 游戏规则，不允许联网搜索）上对 Nemotron 3.5 Super VL 进行基准测试，发现其准确度远超 GPT-OSS、Qwen、DeepSeek 和 Gemma 模型，是一个值得保留的优秀本地模型。
HOLI-WORLD 是一个集成生态系统，利用第一人称自我视角的录像自动化构建大规模学习资源，以提升机器对动态场景与交互的理解，并发布 HOLIWORLD-VL-4B 模型及 HOLIWORLD-Bench 评测基准。
推文介绍了主打视觉理解与推理的新大模型 Glimpse，宣称能原生理解图片和视频中元素的位置与空间关系，不同于 GPT 和 Claude 依赖抽帧的方式，并期待更多实际评测。