视觉理解相关 AI 资讯 · AITOP · AI热报

8月27日

16:03

16:03IT之家（博客/媒体）

精选

小鹏汽车宣布第二代 VLA Lite 蒸馏版将于 9 月推送，面向单图灵芯片 Max 车型。G9L Max 版本首发搭载，基于统一技术底座，实现 L2 至 L4 能力贯通，提升视觉理解能力。

AI产品小鹏汽车 VLA Lite 自动驾驶

推荐理由：小鹏汽车推出第二代 VLA Lite 蒸馏版，首次搭载 G9L Max，提升自动驾驶能力，值得关注。

06:55

06:55

OpenRouter@OpenRouterAI

Alibaba_Qwen发布Qwen3.8 Flash，多模态推理模型支持编码助手、工作流、视觉理解、代码库分析、桌面交互、图表和长视频。

AI模型 Qwen3.8 Flash 多模态推理模型编码助手

推荐理由：Alibaba_Qwen新发布的Qwen3.8 Flash模型，支持多种功能，是编码助手和视觉理解的好帮手，值得一试。

8月21日

17:28

17:28IT之家（博客/媒体）

精选

深度求索发布多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，支持多模态适配，API 计费按 token 计算，支持 Chat Completions、Messages、Responses 三种格式调用。Files API 已上线，不收费。

AI模型 DeepSeek-V4-Flash-Vision-Exp 多模态 API服务

推荐理由：深度求索新模型上线，多模态能力提升，API 访问方便，适合各种 Agent 工具集成。

8月12日

02:43

02:43

GitHub@github

微软的 MAI-Code-1.1-Flash 模型已开始在 GitHub Copilot 中推出，支持原生视觉能力，可理解图像。该模型在编码质量、指令遵循、工具使用和性能方面均有改进。其列表价比 MAI-Code-1-Flash 低 73%，更具成本效益。开发者可在 GitHub Copilot 应用、CLI 和 VS Code 中试用。

AI模型 MAI-Code-1.1-Flash GitHub Copilot 微软

推荐理由：微软新模型上架 Copilot，带视觉还能看图，价格砍了七成多，写代码更省钱了。

7月19日

16:48

16:48IT之家（博客/媒体）

73°

7月17日月之暗面发布新一代大模型Kimi K3，拥有2.8万亿参数，成为首个达到该规模的开源模型。该模型原生支持视觉理解，拥有100万token上下文窗口。在Frontend Code Arena榜单上，K3超越了Claude Fable 5和GPT-5.6 Sol。总裁张予彤透露，发布次日年化收入（ARR）创下历史最大单日增幅，并强调开源模型并非只有卷价格一条路。

AI模型 Kimi K3 月之暗面开源模型

推荐理由：月之暗面开源了2.8万亿参数的Kimi K3，视觉理解强，成绩超Claude和GPT-5.6，ARR单日新高。

6月29日

10:12

10:12

官方账号arXiv cs.LG@David Steinmann, Antonia Wüst, Kristian Kersting, Wolfgang Stammer

COCOLogic-V2 是一个面向现实图像的对象中心数据集，覆盖一阶逻辑的广泛子集，用于视觉归纳推理评估。它将样本分为正变体、近边界和远边界负例三类，实现对模型可解释性的细粒度诊断。实验表明，模型能很好区分正样本和远边界负例，但在近边界负例上表现失败。此外，感知噪声和大规则搜索空间在少样本场景下构成额外挑战。该数据集为推进视觉归纳推理提供了具体基础。

论文 COCOLogic-V2 推理模型视觉理解

推荐理由：COCOLogic-V2 这个新数据集专测视觉推理，正反例分类特别细，模型在近边界上直接翻车，做可解释 AI 的可以看看。

6月18日

15:52

15:52IT之家（博客/媒体）

DeepSeek 识图模式已在网页和 App 端正式上线，App 端标注“图片理解功能内测中”，网页端无此提示。该模式与快速模式、专家模式并列，支持用户上传图片让 DeepSeek 解读。其能力不仅是文字提取，还能理解图像内容。背后的多模态模型技术已于今年 4 月公开，核心框架名为“Thinking with Visual Primitives”。

AI产品 DeepSeek 识图模式多模态

推荐理由：DeepSeek 现在能识图了，App 和网页都能用，不只是 OCR，还能理解画面，背后有专门的多模态技术。

6月11日

09:00

09:00

lmarena.ai@lmarena_ai

Anthropic 的 Claude Fable 5 模型在 Vision Arena 排行榜中综合排名第二，并在多个子类别中表现突出。其中，OCR（光学字符识别）单项排名第一，作业和图表理解分别排名第二。Vision Arena 是一个专注于视觉理解能力的评测平台，该成绩表明 Claude Fable 5 在视觉任务上具有较强竞争力。

AI模型 Claude Fable 5 Vision Arena OCR

推荐理由：Claude Fable 5 在视觉评测中拿下 OCR 第一，做文档处理、教育或图表分析的团队可以重点关注这个模型的实际表现。

6月2日

06:41

06:41IT之家（博客/媒体）

精选

阿里千问大模型推出 Qwen3.7-Plus，定位为多模态交互混合智能体，在保留文本、编码、工具使用等能力基础上，强化了视觉理解、视觉推理和跨模态任务处理。该模型支持图像、视频、屏幕、网页和文本输入，可在 GUI、CLI 和工具环境中完成复杂软件与办公流程。在 Vision Arena 评测中，阿里凭借该模型进入全球前 5、中国第 1，多模态测试在 BabyVision、MathVision 等基准上提升明显。模型已通过阿里云百炼和 Qwen Studio 提供服务。

AI模型 Qwen3.7-Plus 多模态智能体

推荐理由：Qwen3.7-Plus 把视觉与语言统一到智能体基座，做多模态应用或办公自动化的团队可以直接在百炼上试，能省掉不少模型拼接的麻烦。

5月31日

00:34

00:34

berryxia@berryxia

精选

开发者 Ivan Fioravanti 在 mlx-vlm 项目中新增了对 Step 3.7 Flash 模型的支持，将其转换为 MLX 格式后，视觉理解和文本生成功能均可在本地运行。该模型在 128GB Apple Silicon 机器上，4bit 量化版本支持 32K 上下文，生成速度超过 53 tokens/s。实测中，模型能快速准确地从截图中提取结构信息和关键元素。这一更新将高质量视觉语言任务从云端迁移到个人 Mac，兼顾隐私、速度和零额外费用，推动本地多模态 AI 进入实用阶段。

AI产品 mlx-vlm Step 3.7 Flash 本地多模态

推荐理由：本地跑通高质量视觉语言模型，做多模态应用或隐私敏感项目的开发者可以直接在 Mac 上体验，无需依赖云端，值得一试。

5月23日

02:16

02:16

官方账号Logan Kilpatrick@OfficialLoganK

精选

Gemini 3.5 Flash 在 Roboflow 视觉评估中多项指标超越 3.1 Pro。其平均推理速度快约6倍，大幅降低延迟。该模型在多模态理解上展示出更强能力，尤其适合视觉密集型任务。

AI模型 Gemini 3.5 Flash Gemini 3.1 Pro Google

推荐理由：谷歌新 Flash 视觉又快又准

5月19日

14:28

14:28

官方账号arXiv cs.AI@Songsong Yu, Yuxin Chen, Ying Shan, Yanwei Li

精选

统一多模态模型（UMMs）试图在单一架构中整合视觉理解与视觉生成，但现有训练范式将两者解耦，导致表征空间错位。本文首次系统研究生成式后训练，发现高层语义任务（如图像分割）可作为最优代理，通过提供结构语义来增强视觉感知和生成布局保真度。作者提出语义生成调优（SGT）范式，利用分割作为生成代理对齐多模态能力。机制分析表明SGT改善了特征线性可分性和视觉-文本注意力分配。实验证明SGT在主流基准上持续提升多模态理解和生成保真度。

论文统一多模态模型生成式后训练图像分割

推荐理由：做多模态模型训练的团队终于有了一个能同时提升理解和生成的后训练方法——SGT用分割任务对齐表征空间，比解耦训练更高效，做视觉AI的开发者可以直接参考代码实现。

10:06

10:06

官方账号arXiv cs.AI@Mingyang Rao, Kehua Feng, Zhihui Zhu, Jiangzhen Fu, Hao Yu, Keyan Ding, Huajun Chen

精选

大模型在理解化学反应图方面存在视觉缺陷和语义脱节两大瓶颈。ChemVA框架通过视觉锚点机制和语义对齐方法，将化学结构图转化为模型能理解的实体名称，显著提升理解能力。在OCRD-Bench基准测试中，ChemVA实现92%的结构识别准确率，并在9种不同大模型上平均提升约20个百分点，使开源模型在复杂化学推理任务上媲美闭源系统。

论文大模型化学推理视觉理解

推荐理由：做化学信息学或AI辅助药物研发的团队，终于有了让大模型真正看懂反应图的方法——开源框架可直接用，效果提升明显。