/
搭载摄像头的耳机：VueBuds能否取代智能眼镜？
华盛顿大学研究人员开发了一款名为VueBuds的原型耳机，在每只耳塞内嵌入低分辨率摄像头，通过蓝牙将灰度图像传输至手机端视觉语言模型处理。其功能与Ray-Ban Meta智能眼镜相当，可实现翻译标识、辅助低视力用户、识别植物等。测试中综合准确率达87%。相较智能眼镜，该方案更节能、更便于收纳，数据仅在本地处理，隐私保护更优。
卫星首次实现自主目标识别，这意味着什么？
今年4月，搭载谷歌DeepMind Gemma 3视觉语言模型的Yam-9卫星，首次在轨道上独立完成图像分析任务，无需地面人员介入。该模型由NASA喷气推进实验室开发的NAVI-Orbital软件包驱动，可响应自然语言指令识别感兴趣区域。此举不仅能有效减少地面数据分析压力，还为在太空部署更大规模AI基础设施提供了可行性验证，未来有望实现对地球任意地点的实时监测。
视觉语言模型助力机器人读懂人类情绪
澳大利亚墨尔本大学研究人员训练协作机器人通过视觉语言模型（VLM）读取人类情绪，不仅分析面部表情，还综合考量交互情境因素。实验结果显示，VLM在情绪识别准确度上（0.86分）明显优于传统AI系统（0.77分）。研究同时发现，尽管情绪自适应道歉更受用户青睐，但机器人的功能可靠性对人类信任感的影响远超其情绪能力，表明机器人情绪识别仍有局限。
MIT研究人员开发图表理解AI训练数据集ChartNet
MIT与MIT-IBM计算研究实验室联合开发了专为图表理解设计的数据集ChartNet，包含逾百万张多样化图表及对应代码、文字描述、数值表格和问答对。研究团队利用两步合成数据生成流程，从单张图表出发可扩展出数百种变体。实验表明，基于ChartNet训练的小型开源视觉语言模型在数据提取、图表摘要等任务上显著超越体量更大的商业模型，有望帮助预算有限的中小企业低成本接入AI图表分析能力。
破解"打地鼠困境"：AI视觉模型去偏见的更优解法
MIT、伍斯特理工学院和谷歌的研究人员提出了一种名为"加权旋转去偏见"（WRING）的新方法，用于解决AI视觉语言模型中的偏见问题。现有的"投影去偏见"方法会导致"打地鼠困境"——消除一种偏见的同时可能放大其他偏见。WRING通过旋转高维空间中与偏见相关的坐标，在不影响模型其他关系的前提下消除特定偏见，且无需重新训练模型，效率更高。该研究已被2026年国际学习表征会议接收。
麻省理工研发复杂视觉任务AI规划新方法，成功率提升至70%
MIT研究人员开发出一种基于生成式AI的视觉任务规划方法，在机器人导航等长期视觉任务上的效果比现有技术提升约一倍。该方法使用专门的视觉语言模型感知图像场景并模拟达成目标所需的行动，然后由第二个模型将模拟结果转换为标准规划编程语言并完善解决方案。系统平均成功率达70%，远超基准方法的30%，且能解决未曾遇到的新问题。
基于放射影像的临床诊断中，AI模型尚未达到实际应用水平
新研究通过 DeepTumorVQA 基准测试表明，尽管 AI 在基本识别和测量任务上有一定表现，但在复杂医学推理上仍远落后于临床要求，难以取代医生的诊断判断。
Hugging Face 开源全球最小视觉语言模型
Hugging Face 公司开源了 SmolVLM-256M，这是一个参数量最少的视觉语言模型。它能在普通笔记本电脑上运行，支持多种视觉数据处理任务。该模型采用新的编码器，在多项基准测试中表现出色，展现了小型模型的巨大潜力。
幻方发布超强多模态LLM DeepSeek-VL！支持代码，文档OCR等！
DeepSeek-VL是一个为现实世界设计的开源视觉语言模型，它通过数据构建、模型架构和训练策略三个维度来实现对高分辨率图像的高效处理和丰富语义理解。
京公网安备 11010802021500号
