visual-language-model

百度开源了视觉语言模型Unlimited-OCR，基于DeepSeek-OCR升级，支持一次性解析超长文档，提供gundam（单图密集文字）和base（多页/PDF）两种推理模式。

介绍了MMIOC-1M，一个用于工业缺陷检测的大规模多模态基准，并提出了RTVPNet，一种精细的文本-视觉提示网络，实现了最先进的性能。

一条推文称，在自定义数据上微调的小型视觉语言模型准确率可媲美GPT-5，成本却低50倍，并举例Liquid AI的1.6B模型可用llama.cpp本地全速运行。