visual-understanding

Jerry Liu报告了Mistral OCR在ParseBench上的更新结果，显示其性能优于GPT-5.5，仅落后于Gemini 3.1 Pro，在内容忠实度和语义格式方面表现强劲。

视觉美学基准（VAB）通过对比选择评估多模态模型的审美判断能力，揭示其与人类专家的显著差距，并表明基于专家示例的微调可提升准确率。

本文介绍了 UNO，这是一种以理解为导向的后训练框架，利用理解任务作为监督信号，以增强统一多模态模型中的图像生成和编辑能力。

一份全面的调查论文，审视图像分类到高级和抽象类别的任务，通过对常识语义、情感语义、美学语义和解释语义的多学科分析，澄清了计算机视觉中高级语义的隐性理解。该论文指出了抽象概念图像分类中存在的持久挑战，强调了混合人工智能系统在处理复杂视觉推理任务中的重要性。