Qwen2.5-VL-72B
PulseAugur coverage of Qwen2.5-VL-72B — every cluster mentioning Qwen2.5-VL-72B across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
研究发现：基础模型可根据文本生成CAD设计
一项新研究探讨了使用基础模型从自然语言生成计算机辅助设计（CAD）机械零件的应用。研究人员开发了LLMForge框架，该框架集成了各种模型，并使用基于分析和视觉语言模型（VLM）的评估方法来优化设计。研究评估了七个基础模型，发现当使用分析反馈时，较小的指令微调模型表现与大型系统相当，而VLM评估提高了网格生成成功率。
-
OmniAgent 使用主动感知进行高效视频理解 · 已追踪 2 个来源
研究人员推出 OmniAgent，这是一种新颖的全模态智能体，用于视频理解，它利用基于部分可观察马尔可夫决策过程 (POMDP) 的迭代式观察-思考-行动 (Observation-Thought-Action) 循环。这种方法允许智能体选择性地将视听线索提炼成文本记忆，从而将推理复杂性与原始视频时长解耦，提高计算效率。该论文详细介绍了两种关键的训练方法：用于引导主动感知的智能体监督微调 (Agentic Supervised Fin…
-
新的CapRL++框架训练出更好的图像和视频字幕模型
研究人员开发了CapRL++，一个使用可验证奖励的强化学习框架，用于训练图像和视频字幕模型。该方法超越了传统的监督微调，它使用一个无视觉语言模型来评估字幕质量，评估依据是该模型回答关于视觉内容问题的能力。在众多基准测试中的评估表明，CapRL++提高了字幕质量和预训练效果，带来了显著的下游性能提升，并使更小的模型能够匹配更大模型的性能。
-
CodePercept 利用代码而非仅靠推理来提升 LLM 的视觉感知能力
上海交通大学和 Qwen 团队的研究人员推出了一种名为 CodePercept 的新方法，旨在增强大型语言模型在 STEM 任务中的视觉感知能力。他们的研究表明，提升视觉感知能力，而非仅仅是推理能力，是模型解决科学和数学问题的关键瓶颈。CodePercept 利用代码作为精确的视觉理解语言，使模型能够生成准确表示图像内容的、可执行的代码，从而克服自然语言描述的固有歧义。
-
WALDO框架改进了基于VLM的医学影像异常检测
研究人员开发了WALDO，一个用于使用视觉语言模型（VLM）进行医学影像异常本地化的新框架。该方法将问题重新表述为比较推理任务，通过将异常与正常解剖结构分布进行比较来识别异常。WALDO利用最优传输理论和“金发姑娘区域”采样策略来提高准确性，在使用Qwen2.5-VL-72B的NOVA脑部MRI基准测试中实现了19%的相对改进。