商湯科技發布開源SenseNova U1系列模型
商湯科技正式發布並開源日日新SenseNova U1系列原生理解生成統一模型。基於今年三月自主研發的NEO-unify架構，在單一模型架構上統一多模態理解、推理與生成。該模型將語言與視覺資訊作為統一複合體直接建模，實現高效協同，保留語義豐富度並維持像素級視覺保真度。
Search
Tag: #vision-language20 results
📰
ColQwen3.5-v2 4.5B 登上檢索排行榜首位
ColQwen3.5-v2 4.5B 是基於 Qwen3.5-4B 的全新視覺文件檢索模型，在 ViDoRe V3 nDCG@10 達到 0.6177 的頂尖成績。採用簡化 2 階段訓練配方，整合硬負樣本與領域數據。在 Hugging Face 上以 Apache 2.0 釋出。
Om AI 推出端側原生 VLX 模型
Om AI 推出端側原生 VLX 模型，目標是以較少參數實現對物理世界的精準感知。文章將其定位為 3B 規模模型，並主張產業進步不應只依賴堆疊算力，而應採用更適合新環境的架構。
MARCH：多代理CT報告生成器
MARCH 是一個多代理框架，模擬放射科部門階層來生成精確的 3D CT 報告，解決 VLM 中的幻覺問題。它包含駐院醫師代理負責初稿、同儕代理負責修訂，以及主治醫師代理負責共識。於 RadGenome-ChestCT 資料集上超越 SOTA 在臨床忠實度和語言準確性。
ViSA-R2 從視覺場域推斷物理解
ViSA-R2 使用模擬物理學家推理的自驗證思考鏈，從二維線性穩態場域視覺化中恢復解析 SymPy 表達式。它引入 ViSA-Bench，一個包含 30 個可驗證情境的合成基準，用於 VLM 評估。基於 8B Qwen3-VL，表現優於開源基準和前沿 VLM。
中國團隊打造36.4萬超聲AI數據集
中國團隊打造首個大規模超聲專屬數據集，包含36.4萬圖文對。此數據集讓AI真正理解超聲影像的臨床診斷語義。入選CVPR’26，標誌超聲AI邁入大模型時代。
Granite 4.0 3B Vision 推出企業文件版
Hugging Face 發布 Granite 4.0 3B Vision，這是一款專為企業文件設計的緊湊多模態模型。它提供高效的視覺語言智能，適用於商業應用。該模型現已在 Hugging Face 平台上線。
Ricoh 推出可「日語推論」多模態 LLM
Ricoh 開發了 Qwen3-VL-Ricoh-32B-20260227，這是一款擁有 320 億參數的多模態 LLM，能以日語進行推論。宣稱性能匹敵 Gemini 2.5 Pro，並可讀解包含複雜圖表的日語資料。
RAMP-3D：3D遮罩箱子重排規劃
RAMP-3D 使用僅 RGB-D 觀測，從不完整語言目標實現長時程 3D 箱子重排。它依序預測配對 3D 遮罩，指定「挑取物件」與「放置目標區域」。在 11 種倉庫任務（1-30 箱）達 79.5% 成功率，大幅優於 2D VLM 基準。
浙大團隊破解多模態「盲目自信」
浙江大學團隊解決多模態模型「盲目自信」問題，即模型對模糊圖像仍自信滿滿。先校準置信度，再動態分配算力。獲CVPR 2026接收。