vision-models

本文讨论了将视觉能力（如截图和文档）集成到AI智能体工作流程中的考虑因素，参考了DeepSeek-V4-Flash-Vision-Exp实验性API，并建议在生产使用前进行评估步骤。

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。

GenCeption 将预训练的视频生成模型重新利用为一个统一的单次前馈视觉模型，在多个任务上以极高的数据效率实现了最先进的性能，标志着向通用视觉智能的转变。

本文识别出'Inattentional Gap'现象，即任务条件化的AI模型会抑制报告其本可检测到的安全关键信号，类似于人类的非注意盲视，这挑战了基准性能即可确保现实世界安全的假设。

AllenAI 发布 MolmoMotion，一种旨在基于短帧历史预测未来运动的视觉模型。

GLARE是一种基于LLM的接口，能够将自然语言问题转化为针对局部解释数据的SQL查询，使用户能够交互式地探索黑盒图像分类器的全局解释。

本文介绍了一种经验贝叶斯共形预测框架，该框架使用 r 值将评分变异性纳入非一致性得分中，从而提升排序稳定性并缩减集合大小，同时保持对视觉与语言模型的覆盖。

Chamath Palihapitiya在斯坦福大学免费讲授了一堂关于扩散模型与视觉模型架构的课程，分享了如何在AI时代取得成功的见解。

一场免费的斯坦福讲座，内容涵盖扩散模型和视觉模型架构，被誉为掌握了能使 AI 工程技能达到谷歌顶级薪酬水平的基础知识。

中国正在大规模推广农业机器人，实现全天候自主收割，利用视觉模型和机械臂提高效率，减少损伤，增强粮食安全。

LM Studio 宣布其 MLX 引擎的 Beta 更新，引入了视觉模型的批处理功能和改进的缓存，以加速推理。

前 Google 首席科学家 Fei-Fei Li 批评了 AI 行业对语言模型的过度关注，她指出，只有当系统通过视觉充分理解物理与空间世界时，真正的 AI 基础设施才会出现。

OpenAI Microscope 是一个开源工具，能够系统地可视化常用视觉模型中的每个神经元，具备快速反馈循环和可链接的神经元，以支持可解释性研究。该平台将可视化时间从几分钟缩短到几秒，旨在使神经网络分析对研究社区更加易于访问。