Qwen3-VL-2B-Instruct
PulseAugur coverage of Qwen3-VL-2B-Instruct — every cluster mentioning Qwen3-VL-2B-Instruct across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
HuGe 模型赋能人形机器人执行全身控制任务
研究人员开发了 HuGe，这是一系列新颖的视觉-语言-动作模型，专为人形机器人的全身控制而设计。这些模型在超过 2000 小时的人类和机器人以自我为中心的经验数据上进行了预训练，并结合了伪本体感觉和视觉适应技术，以弥合不同具身之间的差距。HuGe 在 HumanoidArena 模拟基准测试中展现了最先进的性能，并在 Unitree G1 机器人上的拾取和放置任务中提高了成功率，显示出在实际应用中的潜力。
-
腾讯发布基于 Qwen3-VL 模型微调的 WeVisDoc 文档解析器
腾讯发布了 WeVisDoc，这是一款专为页面图像设计的端到端文档解析器。该模型基于 Qwen3-VL-2B-Instruct 和 Qwen3-VL-4B-Instruct 微调而来，可将页面图像转换为结构化 Markdown，包括 LaTeX 公式和 HTML 表格。WeVisDoc-4B 在 OmniDocBench 和 PureDocBench 等基准测试中表现出色，在多种场景下优于其他端到端解析器。
-
新的MindTopo基准揭示基础模型在拓扑推理方面存在困难
一个新的名为MindTopo的基准已被开发出来，用于评估基础模型的拓扑推理能力，这是空间理解的一个关键方面，在当前的评估中在很大程度上被忽视了。该基准包含11,000多个跨不同任务类型的实例，评估模型在不同认知水平上的连续性、分离性和封闭性等属性。初步测试显示，虽然模型能够识别拓扑关系，但在这些拓扑空间内进行规划或操作方面存在显著困难，表明识别能力和操作能力之间存在差距。
-
联邦视觉语言模型方法增强视频异常检测
研究人员开发了一种新颖的、使用视觉语言模型（VLM）的视频异常检测联邦方法。该方法通过在客户端训练一个轻量级的联邦 MIL 分数器，并使用一个固定的 VLM 进行事后验证，来解决分布式、弱标记和资源受限的监控数据所带来的挑战。在 UCF-Crime 数据集上使用 InternVL3.5-2B 和 Qwen3-VL-2B-Instruct 进行的实验表明，基于逻辑的接口提供了一种无解析器的连续异常信号，在无需时间后处理的情况下提高了性能…