vlm

"ビジョン言語モデルは、テキスト文字（. と #）としてレンダリングされたバイナリグリッドの読み取りで約84%のF1を達成しますが、まったく同じグリッドが塗りつぶされた正方形としてレンダリングされた場合、同じ視覚エンコーダーを介して両方が画像であるにもかかわらず、29〜39%のF1に崩壊します。"

"OCRは、何も考えずに読み取ったものをすべて投げており、構造を持たないOCRテキストの構造化と意味解析は、頭のいいLLM（今回はGLM 4.5-Air）を使って実装しています。"

"src/transformers/models/qwen3_5/modeling_qwen3_5.pyのコードを見ると、Qwen3.5シリーズは最初からVLMを搭載しているようです！"

"実験では、私たちの方法は、ウェブサイトあたり平均違反数を5.34から0.44に効果的に減らし、商用LLM API（Gemini、GPT-5）を上回ることが示されています。"

"もう1T程度のVLMです。Qwen3-235Bが512のエキスパートにスケールアップされたようです。"

"MMSearchでは、モデルは74.27点で首位となり、GPT-5.2（66.08点）を超えました。HR-MMSearch（高解像度詳細検索評価）では54.43点でリードし、クローズドソースモデルとの差を広げました。"

"本日、商湯はマルチモーダル自律推論モデルSenseNova-MARS（8B/32Bデュアルバージョン）を正式にオープンソース化し、マルチモーダル検索と推論の中核的なベンチマークテストで、Gemini-3-Pro（69.06点）とGPT-5.2（67.64点）を上回る69.74点を獲得しました。"

"DeepSeek-OCR 2 can better understand complex layout orders, formulas, and tables."

"By adapting MMVP benchmark questions into explicit and implicit prompts, we create \textit{AMVICC}, a novel benchmark for profiling failure modes across various modalities."

"I gave 7 frontier LLMs a simple task: pilot a drone through a 3D voxel world and find 3 creatur"

"My plan is to fine-tune Qwen 3 VL 32B Instruct on a dataset labeled by Gemini 3 Flash. I want to transfer that visual reasoning so I can have a local engine for high-scale synthetic captioning."

"GPT-4o consistently achieved the highest scores across both tasks, with an average F1-score of 0.756 and accuracy of 0.799 in action recognition, and an F1-score of 0.712 and accuracy of 0.773 in emotion recognition."

"frontier models hit a wall at 5x5 puzzles"

"LookPlanGraph leverages VLM graph augmentation."

"VisRes Bench is a benchmark for evaluating the visual reasoning capabilities of VLMs."

"The paper is sourced from ArXiv."

"The research focuses on reasoning segmentation in remote sensing."

"VLM-PAR is a Vision Language Model for Pedestrian Attribute Recognition."

"The article introduces open-source multimodal Moxin models, Moxin-VLM and Moxin-VLA."

"The paper focuses on mitigating hallucinations in Large Vision-Language Models (LVLMs)."

"The research focuses on parameter-efficient adaptation of VLMs for deepfake detection."

"The research is based on a paper from ArXiv, suggesting a pre-print or early stage research."

"The research explores embodied urban navigation."

"The article focuses on utilizing a multilayer VLM-LLM pipeline."

"The paper describes GTR-Turbo as a method utilizing merged checkpoints."

"The study focuses on supervised fine-tuning in VLM reasoning."

"The article focuses on democratizing long-tail data curation."

"The paper likely focuses on creating multimodal embeddings for remote sensing."

"CAPTURE is a benchmark for evaluating LVLMs in CAPTCHA resolving."

"The research focuses on verifying G-code and HMI (Human-Machine Interface) in CNC machining."