vision-language — AI Digest

15 мая MulTaBench: бенчмаркинг мультимодального табличного обучения с текстом и изображениями Technion research
19 авг S²VOPD: самообучаемая визуальная on-policy дистилляция поднимает Qwen3.5-4B с 70,7% до 77,4% на шести бенчмарках тонкого восприятия UC San Diego research
23 окт WeVisOne-VL: Unified Visual Perception from Objects to Pixels Tencent WeChat Vision research
30 июл HumanCLAW: способны ли vision-language модели действовать через тело? Meta Research research
24 авг DeepSeek выпускает экспериментальную мультимодальную модель V4-Flash-Vision-Exp DeepSeek models-llm
17 июн JoyAI-VL-Interaction: открытая VLM на 8B для взаимодействия в реальном времени с автономным управлением очередью речи JD.com research
16 мая MemLens: бенчмарк мультимодальной долгосрочной памяти для моделей визуального языка NVIDIA research
2 июл GitHub Copilot Vision стал общедоступен для всех тарифных планов GitHub tools
3 июл PerceptionRubrics: атомарная рубричная оценка выявляет разрыв в 8% по восприятию между открытыми и закрытыми моделями research
14 июл ABot-N1: базовая модель визуально-языковой навигации с архитектурой slow-fast Alibaba research
16 авг Qwen выпускает Qwen3.8-27B и вариант FP8 как Apache-2.0 модель vision-language с открытыми весами Qwen models-llm
23 сен Tencent выкладывает в open source модели визуального поиска документов EVIE Tencent models-llm
12 июн Astra: VLM с RL-обучением запрашивает симулятор мира для пространственных рассуждений research
2 сен Команда Qwen опубликовала Qwen-Drive-1.0 — визуально-языковую фундаментальную модель для автономного вождения Alibaba research
29 апр Tencent выпустил обновление HY-Embodied-0.5-X для воплощённых агентов Tencent models-llm
24 июл Visual Contrastive Self-Distillation University of Maryland research
8 авг GST-Bench проверяет, развивают ли VLM глобальное пространственное восприятие по видео ByteDance Seed research