让大模型精准「看图」：NV-CoT用连续坐标重构视觉思维链
相对 DeepEyes，NV-CoT 在 MMMU-Pro、ChartQA 与 OCRBenchv2 上分别提高 2.1、2.6 和 1.5 分，并在目标定位和计数任务上取得提升。
谷歌这个开源模型被低估了
谷哥最近给我的惊喜不断啊，一是它的 Gemini 3.8 Flash 在 Antigravity CLI 里相当可靠:我的 Gemini 终于要回本了，开发了一个 macOS。
UniPat AI开源SWE-Vision：五百行代码打造SOTA视觉智能体！
其结果令人瞩目:在五个不同的视觉基准测试中 —— 涵盖基础感知、图表推理、数学问题解决、空间理解和复杂的多步骤视觉挑战 ——SWE-Vision 均提升了前沿 LLM 的表现，如 GPT-5.2-xhigh 和 Seed-2.0-Pro，并取得了最先进的结果:在 BabyVision 上达到 64.4，在 MathVision 上达到 94.0，在 Zero-Bench-Sub 上达到 50.1，在 OmniSpatial 上达到 69.0，在 CharXiv-RQ 上达到 82.5。
告别VAE ViT! 英伟达开源PixelUMM像素空间统一视频图像理解与生成
PixelUMM 在 GenEval 上得分 0.77，用 BAGEL 的长 prompt 改写后提升到 0.83;其中 Imaging Quality、Temporal Style和 Overall Consistency三项在统一模型中排名第一。
LLaVA-OneVision-2.0全开源全帧率技术解读
OV2-8B 模型在 18 项视频任务、11 项空间推理任务、4 项跟踪任务中呈现稳定综合优势;这条线从早期预测编码一路走到 H.264/H.265/H.266，技术名词换了一代又一代，核心问题几乎没变:在参考帧上做预测，只为运动向量与残差支付额外比特。
用AI“交付结果”—百融云创发布RaaS战略及“结果云”平台
【北京，12月18日】AI不只是提供一个“工具”，而是在硅碳共治时代“交付结果”。
DeepSeek-OCR是长文本理解未来方向？中科院VTCBench给出答案
DeepSeek-OCR 的视觉文本压缩（VTC）技术通过将文本编码为视觉 Token，实现高达 10 倍的压缩率，大幅降低大模型处理长文本的成本。但是，视觉语言模型能否理解压缩后的高密度信息？