Molmo2
PulseAugur coverage of Molmo2 — every cluster mentioning Molmo2 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新基准探测视频模型真正的时序理解与位置编码的依赖性
一项新研究提出了一种区分视频模型对时序顺序的理解与其对位置编码依赖性的方法。“反转剔除”技术在位置编码保持不变的情况下，评估当视觉序列被反转时准确性如何变化。这有助于识别模型是真正掌握了时序关系，还是仅仅使用了位置信息。研究发现，Molmo2等模型严重依赖位置数据，而Qwen3-VL则表现出更强的解读视觉序列的能力，这表明相似的基准分数可能掩盖了不同的潜在失败模式。
-
新方法分解视频 VLM 评估中的时间理解能力
一篇新的研究论文介绍了一种名为“反转下降”（reversal-drop）的方法，以更好地评估视频视觉语言模型（VLM）在时间理解方面的能力。该研究发布在 arXiv 上，指出当前的基准分数混淆了两个不同的方面：问题是否需要时间理解以及模型如何实现它。所提出的方法区分了依赖位置编码（如 RoPE）的模型和真正处理视觉序列的模型，识别出“位置主导型”和“视觉序列主导型”模型。这种区分至关重要，因为这些模型在不同的输入上表现不佳，这意味着聚…
-
MotionAtlas 系统为视频提供详细区域描述
研究人员推出 MotionAtlas，一个专为以动作为中心的视频进行详细描述的新颖系统。该系统包括一个包含 2,073 个多项选择题的新基准数据集、一个用于生成高质量训练数据的可扩展管道以及一系列 Video-MLLM。MotionAtlas 专注于区域感知运动描述，能够精确描述特定时空区域内的运动，以改进评估并减少视觉混乱。该系统通过 MotionAtlas-4B 等模型展示了其性能，该模型在 Qwen3-VL-4B 等现有模型上取…
-
Zamba2-VL 模型提供更快的视觉-语言处理速度
研究人员推出了一系列新的视觉-语言模型 Zamba2-VL，该模型利用了结合 Mamba2 状态空间层和 Transformer 块的混合架构。这些模型在各种视觉和语言任务上表现出色，可与 Molmo2 和 Qwen3-VL 等成熟的基于 Transformer 的模型相媲美。Zamba2-VL 的一个关键优势是其显著更快的首个 token 生成时间，这使其特别适合设备端和边缘部署。