Qwen3-VL-4B-Instruct
PulseAugur coverage of Qwen3-VL-4B-Instruct — every cluster mentioning Qwen3-VL-4B-Instruct across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
蚂蚁集团凌波发布具身AI模型套件，包括世界动作和视频生成
蚂蚁集团凌波科技发布了一系列旨在推进具身AI和机器人技术的新模型。LingBot-VA 2.0被呈现为首个具身原生世界动作模型，从根本上为物理世界交互而设计，而非改编数字世界模型。与之相辅的是LingBot-World 2.0，一个能够进行长达一小时生成的实时交互式世界模型，并整合了AI代理机制以实现动态交互。此外，LingBot-Video，一个基于MoE的视频生成模型，针对具身AI任务进行了优化，在机器人基准测试中表现优于现有模型…
-
KREA2 图像模型在 5 秒内生成 1K-2K 分辨率图像
KREA2 是一款新的图像生成模型，可以在 5090 GPU 上以大约 5 秒的时间生成 1K 到 2K 分辨率的图像。该模型使用了 Qwen-Image 自动编码器和 Qwen3-VL-4B-Instruct 文本编码器。为了应对消费级 GPU 的 VRAM 限制，提供了一个 FP8 权重变体模型，该模型在对质量影响极小的情况下显著减小了 Transformer 的内存占用。
-
新AI框架应对伪装目标检测挑战
研究人员开发了新的伪装目标检测（COD）框架，以解决过度检测问题。一种方法CFCamo使用反事实基准来训练智能体，使其能够检测伪装目标并在没有目标时弃权，从而提高了在现有数据集上的性能，并在新的CF-COD基准上实现了高对准确率。另一种方法CamoSAM2通过整合运动和外观线索来优化Segment Anything Model 2（SAM2）的提示，以增强视频中伪装目标的自动检测和分割，在平均交并比（mIoU）和推理速度方面优于当前最先进的方法。
-
新方法解决视频大模型中的幻觉问题
研究人员开发了几种新方法来解决视频大模型（VLMMs）中的幻觉问题。一种方法 MultiToP，通过选择性地用全局补丁标记替换不可靠的视觉标记来在语言生成之前对其进行精炼。另一种方法 ViSSRes，使用轻量级网络增强视频表示，以提高时空和语义一致性。第三种技术侧重于精炼文本嵌入，以鼓励更好地整合视觉信息并减少对语言先验的过度依赖。这些方法在减少幻觉率和提高各种基准测试中的视频理解能力方面显示出显著的改进。
-
新框架和基准测试推动移动 GUI 代理能力发展
研究人员开发了几个新的框架和基准测试，以推进移动 GUI 代理的能力。STAMP 为虚拟环境中的代理引入了显式内存训练，提高了任务的韧性。PhoneWorld 提供了一个可扩展的管道，用于将真实的移动轨迹转换为可控环境，用于训练和评估。MIRAGE 强调了 VLM 驱动的代理中的一个漏洞，展示了如何通过用户生成的内容实现提示注入。MobileExplorer 专注于通过并行探索 UI 元素和使用上下文提示来加速这些代理的设备上推理。M…
-
新的EO-Gym环境训练AI代理进行交互式地球观测分析
研究人员推出了EO-Gym，这是一个专为地球观测（EO）代理设计的交互式框架。该环境支持多模态分析和工具使用，模拟现实世界中经常涉及扩展感兴趣区域和检索不同传感器历史数据的EO任务。创建了一个包含超过9000个轨迹的基准数据集EO-Gym-Data来评估代理性能，结果显示当前的大型视觉语言模型在交互式EO推理方面存在困难。在EO-Gym-Data上微调Qwen模型显著提高了其在这些任务上的性能。