Qwen3.5-VL
PulseAugur coverage of Qwen3.5-VL — every cluster mentioning Qwen3.5-VL across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
ComfyUI-MOSS-QwenVL-Layout 增加图像生成的仅提示词模式
ComfyUI-MOSS-QwenVL-Layout（一款用于图像对象和文本检测的工具）已发布重大更新。此次更新引入了一种新的仅提示词模式，可以将基本提示词转换为详细的、由边界框引导的提示词。更新还将图像缩放功能直接集成到节点中，增强了其在重新着色、服装更换和对象添加等任务中的功能。
-
llama.cpp 添加 MiniCPM-OCR Jev 支持；分子图生成新研究
llama.cpp 项目发布了 b11928 版本，增加了对 MiniCPM-OCR Jev 模型（基于 Qwen3.5-VL）的支持，该模型旨在根据图像对 OCR 文本进行评分，而不是生成文本。此次发布还包括对 macOS、Linux 和 Windows 等各种平台的修复和更新。另外，一篇新研究论文提出将概念瓶颈纳入深度图生成器，以提高分子图生成的可解释性和可控性，特别是在药物发现应用中。
-
脑电图信号引导视觉语言模型以实现高效的视觉问答
研究人员开发了BrainFocus，一个新颖的框架，它使用脑电图（EEG）信号来引导视觉语言模型（VLMs）以实现更高效的视觉问答（VQA）。该系统从EEG数据中预测目标类别，并使用YOLO检测器来定位感兴趣的区域（ROI）。如果置信度阈值得到满足，VLM将仅处理此裁剪的ROI，否则将默认处理整个图像。这种方法在Qwen3.5-VL模型的各种VQA准确性和计算成本降低方面显示出显著的改进，即使在EEG语义解码不完美的情况下也是如此。
-
FADA模型提供AI辅助的离线胎儿超声检查解释
研究人员开发了FADA，这是一种统一的视觉语言模型，旨在解释和标注胎儿超声检查，以解决全球训练有素的超声医师短缺问题。FADA基于Qwen3.5-VL构建，将解释、分类、检测和分割整合到一个单一的流程中，无需外部标签。该模型在分割和检测方面实现了高精度，专家验证证实了临床上可接受的输出。值得注意的是，FADA可以在智能手机上离线运行，为资源受限的环境提供了实用的解决方案。
-
Argus-Retriever 通过查询条件化模型推进视觉文档检索
研究人员开发了 Argus，一个专为视觉文档设计的新型检索系统。与生成静态文档嵌入的先前方法不同，Argus 使用区域感知的专家混合（MoE）模块创建查询条件化表示。这种方法允许系统根据特定查询调整文档表示，从而提高视觉文档检索任务的性能。Argus-9B 模型在 ViDoRe 排行榜上取得了最先进的成果，性能优于现有的开放后期交互模型。