From Scratch to SOTA: Training a 3B State-Space Vision Model — Krishna Prasad Srinivasan, Sarvam（在新分頁開啟原站）
介紹 Krishna Prasad Srinivasan 如何從零開始，使用 3B 狀態空間視覺模型，詳細展示訓練過程與架構。
5.7 萬次觀看
※ 摘要僅根據標題與說明
電腦視覺與多模態模型
Vision & Multimodal Models ・ 48 筆內容
看得懂圖片與影片的模型，以及傳統電腦視覺。
也叫做：電腦視覺、计算机视觉、computer vision、多模態、多模态、multimodal、VLM、視覺語言模型、OCR
學習路徑
由淺入深：入門 → 進階 → 高階
入門初窺門徑
NeoMME: an efficient Multimodal-native and Multilingual Encoder
Hugging Face Blog● 有原文
Stanford Online1 小時 50 分○ 無原文
Introducing the Gemini Omni Flash API（在新分頁開啟原站）
Sam Witteveen22 分鐘○ 無原文
進階登堂入室
Why Tejal Patwardhan stopped underestimating the models - Episode 21
OpenAI Podcast44 分鐘● 有原文
李飞飞发布最新世界模型Atlas | World Labs | 世界模型 | 3D重建 | 视频生成 | 空间智能 | 高斯泼溅 | 机器人仿真 | 多模态AI（在新分頁開啟原站）
Best Partners TV21 分鐘○ 無原文
From VLM/VLA's to Embodied Agents — Armen Aghajanyan, Perceptron AI（在新分頁開啟原站）
AI Engineer21 分鐘○ 無原文
Stanford CME296 Diffusion & Large Vision Models | Spring 2026 | Lecture 7 - Evaluation（在新分頁開啟原站）
Stanford Online1 小時 41 分○ 無原文
高階爐火純青
Generalized Visual Language Models
Lilian Weng（部落格）● 有原文
Stanford Online1 小時 5 分○ 無原文
排行前 17 名
依相關、人氣、新鮮度綜合排序；站長推薦的加成
Skill issue: stop deploying vision language models, use them with Skills — Merve Noyan, Hugging Face（在新分頁開啟原站）
指出，部署大型視覺語言模型存在風險，建議改用專為特定技能設計的模型來解決問題。
※ 摘要僅根據標題與說明
NeoMME: an efficient Multimodal-native and Multilingual Encoder
介紹了 NeoMME，一個雙語雙模態基礎編碼器，採用單一 Transformer 架構處理文字與圖片。它不使用預訓練的視覺塔或因果語言模型，而是從頭訓練，並使用掩碼離散擴散目標。
Stanford CS25: Transformers United V6 I From Language Models to Native Multimodal Intelligence（在新分頁開啟原站）
Stanford CS25 課程介紹了從語言模型到原生多模態智慧的演進，內容涵蓋了 Transformer 架構的演變與應用。
12.8 萬次觀看※ 摘要僅根據標題與說明
Stanford CME296 Diffusion & Large Vision Models | Spring 2026 | Lecture 8 - Trending Topics（在新分頁開啟原站）
Stanford 線上課程介紹了大規模視覺模型與擴散模型在 2026 年春季的趨勢，內容聚焦於前沿技術發展。
7.9 萬次觀看※ 摘要僅根據標題與說明
Why Tejal Patwardhan stopped underestimating the models - Episode 21
Tejal Patwardhan 探討舊版評估基準已過時，並強調必須建立前沿評估體系以預測模型能力。她與主持人討論了如何衡量模型進步、避免被遊戲化，以及評估對研究的重要性。
李飞飞发布最新世界模型Atlas | World Labs | 世界模型 | 3D重建 | 视频生成 | 空间智能 | 高斯泼溅 | 机器人仿真 | 多模态AI（在新分頁開啟原站）
李飛飛宣佈推出名為 Atlas 的最新世界模型，旨在整合多模態資訊以實現高品質的 3D 重建與影片生成。
3.8 萬次觀看※ 摘要僅根據標題與說明
Stanford CME296 Diffusion & Large Vision Models | Spring 2026 | Lecture 7 - Evaluation（在新分頁開啟原站）
Stanford 線上課程《Diffusion & Large Vision Models》第七課，探討大語言模型與大視覺模型的評估方法。
1.2 萬次觀看※ 摘要僅根據標題與說明
Stanford CS336 Language Modeling from Scratch | Spring 2026 | Lecture 17: Alignment - Multimodality（在新分頁開啟原站）
Stanford CS336 第 17 課介紹如何從頭開始學習語言模型，專注於多模態下的指令跟隨。
9,600次觀看※ 摘要僅根據標題與說明
Meta is back with Muse Glimmer: local, agentic, multimodal, and open source
Meta 推出 Muse Glimmer 30B 多模態模型，支援本地執行、代理式任務、多模態輸入及開放原始碼。該模型結合 ViT 編碼器與 DFlash 猜測解碼，在推理效能與程式碼生成等任務上表現優異，並提供完整的部署與最佳化指南。
Introducing the Gemini Omni Flash API（在新分頁開啟原站）
介紹 Gemini Omni Flash API，說明其如何將 AI 模型加速至極速，並展示其如何整合多模態與多語言功能。
9,700次觀看※ 摘要僅根據標題與說明
- 1.6 萬次觀看
※ 摘要僅根據標題與說明
- 1,000次觀看
※ 摘要僅根據標題與說明
- 1,300次觀看
※ 摘要僅根據標題與說明
Why Vision Language Models Ignore What They See with Munawar Hayat - #758（在新分頁開啟原站）
專訪 Qualcomm 研究員 Munawar Hayat，探討 VLM 物件虛構問題及注意力引導的對齊方法。他介紹了解決複雜檢索任務的新對比學習策略，並說明如何透過新測試台架評估多個人物生成時的身份洩漏問題。
※ 摘要僅根據標題與說明
EP118 - 大家都看錯了？解讀 GPT 5.2 真正的強項（在新分頁開啟原站）
探討 GPT 5.2 的真實強項，指出其並非單純的語言模型升級，而是透過整合多模態能力與大規模資料，展現出接近人類水平的數位智慧潛力。
※ 摘要僅根據標題與說明
EP128 - 你不知道能算 AI 的兩種電腦：類比運算與神經形態運算！未來能挑戰傳統數位電腦嗎？（在新分頁開啟原站）
介紹兩種非傳統電腦：類比運算與神經形態運算，探討它們如何挑戰數位電腦，並分析其未來潛力。
2,400次觀看※ 摘要僅根據標題與說明
最新
依發布時間
- 1.3 萬次觀看
※ 摘要僅根據標題與說明
From Scratch to SOTA: Training a 3B State-Space Vision Model — Krishna Prasad Srinivasan, Sarvam（在新分頁開啟原站）
介紹 Krishna Prasad Srinivasan 如何從零開始，使用 3B 狀態空間視覺模型，詳細展示訓練過程與架構。
5.7 萬次觀看※ 摘要僅根據標題與說明
From VLM/VLA's to Embodied Agents — Armen Aghajanyan, Perceptron AI（在新分頁開啟原站）
Armen Aghajanyan 探討從視覺語言模型到具身智慧的演進，介紹如何打造能自主行動的 AI 實體。
4,400次觀看※ 摘要僅根據標題與說明
Accelerating vision-language models with LFM2.5-VL-DSpark
LFM2.5-VL-DSpark 是一款專為加速視覺語言模型推理設計的擴充模型，僅增加 8.9% 引數即可提升 2.6 倍至 3.1 倍的推理速度。該模型支援 Llama.cpp、MLX-VLM 及 SGLang 等工具，並提供即時支援。
Skill issue: stop deploying vision language models, use them with Skills — Merve Noyan, Hugging Face（在新分頁開啟原站）
指出，部署大型視覺語言模型存在風險，建議改用專為特定技能設計的模型來解決問題。
※ 摘要僅根據標題與說明
How Physical AI Learns Across Language, Video and Action — Ming-Yu Liu（在新分頁開啟原站）
Ming-Yu Liu 解釋 NVIDIA Cosmos 模型如何透過物理世界學習，將語言、影片與動作整合。該模型結合了視覺語言模型與雙向擴散生成器，並透過共享時間位置機制處理不同速率的訊號，讓機器人能像人類一樣理解世界並執行任務。
※ 摘要僅根據標題與說明
李飞飞发布最新世界模型Atlas | World Labs | 世界模型 | 3D重建 | 视频生成 | 空间智能 | 高斯泼溅 | 机器人仿真 | 多模态AI（在新分頁開啟原站）
李飛飛宣佈推出名為 Atlas 的最新世界模型，旨在整合多模態資訊以實現高品質的 3D 重建與影片生成。
3.8 萬次觀看※ 摘要僅根據標題與說明
GPT-6 Astra with Peter Gostev（在新分頁開啟原站）
Peter Gostev 介紹了 GPT-6 Astra 模型，這是 OpenAI 最新推出的大型語言模型，主要用於處理多模態資料。
15.4 萬次觀看※ 摘要僅根據標題與說明
NeoMME: an efficient Multimodal-native and Multilingual Encoder
介紹了 NeoMME，一個雙語雙模態基礎編碼器，採用單一 Transformer 架構處理文字與圖片。它不使用預訓練的視覺塔或因果語言模型，而是從頭訓練，並使用掩碼離散擴散目標。
11 Cameras, Dozens of Mics: The AI That Reads the Room | Tormod Ree, Neat
Tormod Ree 介紹 Neat 公司如何將 11 台以上攝影機與數十個麥克風整合，利用電腦視覺技術分析會議現場的參與者、互動與視線，使會議系統從被動記錄轉變為主動參與者。
not much happened today
Z.ai 正式推出 GLM-5.3-Flash，這是一款原生多模態模型，擁有 100 萬 token 上下文視窗和 320 億總引數。
Meta is back with Muse Glimmer: local, agentic, multimodal, and open source
Meta 推出 Muse Glimmer 30B 多模態模型，支援本地執行、代理式任務、多模態輸入及開放原始碼。該模型結合 ViT 編碼器與 DFlash 猜測解碼，在推理效能與程式碼生成等任務上表現優異，並提供完整的部署與最佳化指南。
