Elorian 发布视觉思维模型 Glimpse，可拆解机器人操作视频
Elorian 发了个叫 Glimpse 的视觉模型，能把机器人操作录像自动拆成带时间标注的动作步骤，做机器人训练的可以看看。
#视觉理解
共 17 条 · 7 天 0 条 · 30 天 1 条
信息流里打上「视觉理解」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月17日
10月8日
开发者用 OpenAI Decisions API 实现手势识别，精度超过 Jev 方案
有人拿 OpenAI 的 Decisions API 做了个手势识别 demo，视频里精度和速度都吊打他之前的 Jev 版本，玩多模态的可以看看怎么实现的。
9月10日
DeepSeek 发布 V4.1 Flash 模型，轻量级且支持视觉理解
DeepSeek 新出的 V4.1 Flash 模型，小、快、能看东西，适合快速处理任务，比他们之前的模型更高效。
DeepSeek 发布新模型 DeepSeek-V4.1-Flash
DeepSeek 新出的模型叫 DeepSeek-V4.1-Flash，比之前的模型更小、更快、更高效，还支持视觉理解。
8月27日
Qwen3.8 Flash from Alibaba_Qwen on OpenRouter
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
8月12日
微软 MAI-Code-1.1-Flash 上线 GitHub Copilot，降价73%
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
6月29日
6月18日
6月11日
Claude Fable 5 在 Vision Arena 综合排名第二，OCR 单项第一
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
阿里发布 Qwen3.7-Plus 模型，升级多模态交互混合智能体
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。
IT之家原文
5月31日
Step 3.7 Flash 模型加入 mlx-vlm，Mac 本地跑通视觉理解
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
Gemini 3.5 Flash 视觉性能超越 3.1 Pro，速度提升约6倍
谷歌新 Flash 视觉又快又准
5月19日
SGT：用语义生成调优统一多模态模型的视觉理解与生成
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。
ChemVA：让大模型看懂化学反应图，准确率92%
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。