vlm

Euclid-Omni 是一个神经符号框架，它整合了大型语言模型（LLMs）、视觉语言模型（VLMs）和一个符号求解器，用于处理从计算到奥林匹克级别的证明的平面几何问题，并使用合成数据生成进行训练。

作者认为VLM（多模态模型）是死路一条，因为文本的信息量远高于图片和视频，纯文本LLM Agent能解决更复杂的问题。

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。

本文介绍了SELR，一个统一的自解释潜在推理框架，它训练单个模型以执行高效推理，同时生成人类可读的解释，从而消除了对外部解码器的需要。

本文介绍了一种 Qwen3.8-27B 模型的量化版本，使用 INT4 AutoRound 量化技术并配备可用的 MTP 进行投机解码，在 GPU 上实现了显著的推理速度提升。

一项针对9个视觉语言模型的专家机械师刹车维修考试评估显示，它们懂得理论，但在实际部署中自主发现问题和适应调整方面表现不佳。

一位社区成员对即将发布的Qwen3.8-27B进行了推测，重点提到了诸如VLM、智能体改进以及思考模式等被预告的功能，并开玩笑地建议采用一种“僧侣”式的推理强度，以实现长时程的认知超脱。

介绍了Click2Poly，一种基于Florence-2的人机协同视觉语言模型，可加速建筑物和墙体矢量图层的手动编辑，并以QGIS插件的形式实现。

介绍了DashArena，这是首个针对LLM开放式、任务驱动的交互式分析仪表板生成的基准测试。它使用浏览器执行器重放交互轨迹，并使用VLM评判器评估结果，人工研究证实了其有效性。

本文研究了在数学评估中预测题目难度时应如何表示视觉证据，比较了仅文本、视觉文本化以及使用LLMs和VLMs的图像原生建模。研究发现，图像原生建模是文本化的有竞争力的替代方案，其性能取决于VLM的适配。

VisionPsy-Nano-460M-Flash 是一款全新的460M视觉语言模型，每张图像仅使用64个视觉token，在iPhone上首token延迟降至0.3秒，同时保留了完整模型约99%的基准分数。这种优化牺牲了部分OCR和精细细节质量。

一条推文声称 Qwen3.8-Max 是最佳目标检测 VLM，在卫星、红外、文档和手绘图像方面表现出色，并分享了示例。

Hunyuan3D-Buffalo 1.0 是一个用于3D生成、理解与编辑的统一多模态模型，基于87M规模的3D多模态语料库进行训练。它结合了Hunyuan3D-VLM和Hunyuan3D-DiT，在文本到3D生成和3D编辑基准上取得了最先进的性能。

本文强调，用于胸部X光报告生成的 VLMs 在基准测试中能取得高分，但同时会抹去有临床意义的术语并引入有偏见的语言，并提出一个框架来度量这些失败。

本文发现多模态大语言模型（MLLMs）存在风格不一致性：其理解能力鲁棒，但安全机制可被风格触发器绕过。提出对抗性风格优化（ASO），利用GRPO微调图像编辑模型以增强越狱攻击。

介绍 ASCIITermDraw Bench，这是一个用于评估视觉语言模型在 ASCII 艺术生成与编辑任务上的基准测试。

HPD-Parsing 引入了一种面向基于VLM的文档解析的层次化并行解码范式，取代整页自回归生成，实现了每秒4752个令牌的吞吐量（比先前模型快2.62倍），同时保持了有竞争力的准确率。

O-VAD 提出了一种无需训练的智能体框架，用于工业视频异常检测，该框架随时间跟踪对象状态演变，并在时间轨迹上进行推理以识别异常对象，在三个数据集上优于现有的 VLM 和 VAD 方法。

本文提出了基础模型部署组合问题，旨在最小化跨交通管理职能部署LLM和VLM的总拥有成本，同时考虑质量、延迟和安全性约束。案例研究表明，与全闭源API基线相比，成本节省达97%。

OvisOCR2是一个0.8B参数的端到端文档解析视觉语言模型，在OmniDocBench排行榜上位居榜首，在实际扫描的医学文档上，其准确性和效率均优于流水线OCR系统。