vlm

一位从业者向社区询问，哪种开源 OCR 技术栈最适合完全在本地批量处理 20–25 页的混合内容 PDF，并将 Docling、GLM-OCR、PaddleOCR-VL、OlmOCR 2 和 MinerU 等工具列入候选名单，同时权衡视觉语言模型（VLM）与文本层解析器在处理表格和扫描页面方面的优劣。

LlamaIndex 发布了 BooBench，一个有趣的 179 页万圣节主题基准测试，通过"吓唬"大模型和文档 OCR 工具使其输出重复字符，暴露出视觉语言模型在面对带有引导点、涂黑标记等重复元素的真实文档时会陷入重复循环的失败模式。

LlamaIndex 发布了 Boo Bench，这是一个由 179 页文档页面组成的基准测试集，专门设计用来诱骗解析器和视觉语言模型进入重复循环。该基准配有排行榜和论文，测量各系统返回结果的"无鬼影"频率。

该论文提出了 OSMA-Bench 基准和语义敏感性指数（SSI），用于评估机器人导航策略是否能根据障碍物的安全语义调整连续运动，发现基于 VLM 和 VLA 的策略即使有明确安全提示也难以将语义谨慎转化为安全运动参数。

本文对视觉-语言-动作（VLA）模型进行了机制可解释性研究，揭示了运动程序绑定于绝对坐标并忽略场景变化，从而解释了扰动脆弱性问题。文章推出了 Action Atlas，一个交互式平台，涵盖六个 VLA 模型上训练的 520 多个稀疏自编码器和 79 个已识别概念。

S-Agent 2.0 通过为通用编码智能体集成命令行感知工具包、持久场景记忆与自然语言解读，显著提升了空间推理能力，在 MMSI-Bench 和 ReVSI 上超越了专用系统 SpatialClaw。

Google Cloud AI Research 与北京大学联合发布 PaperBanana（后更名 PaperVizAgent）——一个用多智能体协作自动生成出版级学术插图（方法流程图、架构图、统计图表）的开源框架，通过「检索参考图→规划内容→风格调整→生成→自我批评迭代」流程降低论文配图门槛，并配套提出包含 292 个 NeurIPS 2025 测试用例的评测基准 PaperBananaBench，在忠实度、简洁性、可读性与美观度上超越现有基线。

Vik Paruchuri 调查了为什么视觉语言模型有时会输出像 罪 这样的中日韩（CJK）字符而不是英文单词 "vain"，探讨了 VLM 中的文字系统混淆问题，并介绍了如何修复这一问题。

GroundingPI 与 XPeng、北大、港大合作发布了3个开源模型：4B 基础模型（支持检测、指代、OCR 等多种 grounding 能力）、基于扩散并行解码的快速 grounding 模型 GroundAnything，以及基于自回归 VLM 的高精度 grounding 模型 GroundAnything VLM。

开源项目 CosmoEdge 发布 v1.1.0，提供 C++ 边缘 AI 引擎，可通过可视化控制台将摄像头视频流、AI 识别、规则判断与通知连成工作流，支持零重训练的提示词识别与视觉大模型判断，一键 Docker 部署至 Sophon、Rockchip 和 x86 平台。

该论文系统研究了混合模态检索器中的模态偏好问题，发现无关文本比无关图像对检索性能的干扰更为严重（即 "Chaos in the Text" 现象），并提出了 Trident 方法，通过 Multi-Positive View InfoNCE 联合优化文本视图、图像视图和融合视图，从而缓解这一偏差。

VIEScore2 提出了一种针对图像生成与编辑任务的统一评估器，可在单次模型推理中同时预测质量分数，并在 N×N 网格上输出缺陷位置；该模型通过 GRPO 后训练引入单元级定位奖励。在零样本设置下，VIEScore2 优于 Gemini-3-Flash 等通用视觉语言模型，总体 SRCC 达到 0.601，并在六项缺陷定位基准中的五项上取得前三名成绩。

PROWBench 引入了 170 个通过程序构建的片段和 600 个代理视频，旨在评估生成式视频模型是否能忠实渲染程序所指定的世界动态，并通过基于 VLM 的度量指标来衡量逻辑与渲染的对齐程度以及交互成功率。

WorldAuditBench 是一个包含213个异常审计任务的基准，涵盖13个基于 Unreal Engine 5 / Three.js 构建的交互式3D环境，用于评估多模态智能体能否将动作与视觉推理有效耦合。前沿模型的成功率仅为6.6%–42.3%，远低于人类的83.4%，凸显出当前在证据收集与解读方面的局限性。

CoEvoWhen 提出了一种策略-工具协同进化框架，通过 VLM 智能体推理轨迹共同进化高层策略与可执行的媒体工具，在无需更新模型参数的情况下提升超长视频时间定位能力。

论文提出了 ContextProgress-Bench 基准，揭示具身进度奖励模型（PRM）在缺乏适当上下文时无法完成长时程任务的进度估计，并提出 ProgressCompass——一种借助通用 VLM 提供所需上下文的智能体循环，将进度估计误差降低了 63-82%。

H公司已发布两款视觉语言模型，Holo4-27B-GGUF和Holo4-35B-A3B-GGUF，专为计算机使用自动化而设计。这些模型基于Qwen架构构建，配合hai-agents harness执行点击、输入和代码等任务。

HomeBody是一种人形机器人系统，它探索环境、使用Real2Sim构建数字孪生，并利用VLMs执行自主长期任务，如整理厨房。

本文提出了World Action Agent（WAA），一个多智能体系统，利用视觉语言模型（VLMs）通过具有接触视图、动作预演和视图内校正的视觉动作工作空间进行机器人操作，在基准测试中取得了最先进的结果。

本文提出了FedRepRAG，一种去中心化的检索增强生成框架，它通过交换潜在表示而非原始内容来减少计算开销，并提高医疗保健等敏感领域的隐私性。