vlm

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。

本文介绍了一种智能体工作流，利用LLMs和VLMs迭代生成并改进面向K-12教育的高质量数学图表，填补了AI生成可视化辅助工具在可靠性方面的空白。

GrAInS 是一种基于对比梯度的归因方法，利用积分梯度识别影响最大的词元，并构建引导向量，在推理时对大语言模型（LLM）和视觉语言模型（VLM）进行引导，从而提升真实性并减少幻觉，同时不损害流畅性。

CLAP提出了一种方法，通过将自然语言动作描述前置到动作标记序列中，将预训练的视觉-语言模型（VLM）转换为视觉-语言-动作模型（VLA），无需改变架构即可保留语义能力。该方法在LIBERO上达到90.8%，并提升了鲁棒性。

介绍TSRouter，一种基于图的动态路由框架，能够为时间序列推理任务选择最佳模态（LLM或VLM）和模型，相较于基线实现了16%到46%的相对改进，并展示了零样本泛化能力。

Sakana AI联合MIT/NYU发布了一篇被提名GECCO 2026最佳论文的研究，使用VLM代理完整复现了经典Picbreeder系统，以探索开放式演化所需的关键成分。

本文全面实证研究了使用基础模型（大语言模型和视觉语言模型）从自然语言自动生成CAD的方法，提出了LLMForge框架，包含两种批评机制（IterTracer和IterVision），并在包含97个工程设计问题的基准上评估了七个模型。

该文章宣布开源发布 small_vlm_video_analysis，这是一个使用本地小型视觉语言模型的工具，用于验证程序化视频是否符合预定义的 SOP，包括帧描述、基于规则的判断以及可视化工具。

本文介绍了PolicyShiftBench（一个用于策略自适应图像防护栏的基准测试）以及PolicyShiftGuard（一个通过两阶段方法训练的紧凑模型，在安全策略变化时能提升性能）。

mlx-vlm v0.6.4 已发布，支持5个新模型系列、TTS/STT端点，以及包括 TurboQuant 和连续批处理在内的重大性能改进。