vlm

"カメラで撮影した建設現場のデータをもとに、AIが現場の状況を把握し、安全管理や品質管理、工程管理をはじめとする施工管理業務の一部を自動化するという。"

"英語からインドの言語に切り替えると、精度が9.8〜25パーセントポイント低下することがわかりました。ドラヴィダ語は、インド・アーリア語よりも最大13.2ポイント多く低下しています。"

"Flux 2 Pro は、Black Forest Labs が2025年11月にリリースしたフォトリアリスティック画像生成モデルです。"

"研究によると、画像が上下逆（180°）の場合、両方のモデルが壊滅的でした。"

"EU AI Act（欧州人工知能法）は、2026年8月から高リスクAIに対して全面的に適用され、エッジデバイスへの実装においてもコンプライアンス遵守が必須となります。"

"Agentic Vision（エージェント的視覚）とは、モデルが視覚情報をトリガーに「ReAct（Reasoning + Acting）」ループを回すアーキテクチャです。"

"我々はQianfan-OCR、文書解析、レイアウト分析、表抽出、数式認識、図理解、およびキー情報抽出を単一のモデルに統合した40億パラメータのエンドツーエンドのビジョン・ランゲージモデルを紹介します。"

"ColPaliは、ドキュメント検索におけるOCRの死を予感させる強力なベースラインです。"

"GPT-4oは、特に空間推論とシーン理解において、すべてのタスクで他のモデルを一貫して上回っています。"

"SpinQuant：MetaのSpinQuantは、データを「回転（Rotation）」させることで、この外れ値を均らしてしまいます。"

"本日、AIネイティブクラウドであるTogether AIは、ツールコール、推論、およびビジョン言語モデル (VLM) のファインチューニングのネイティブサポートで、Together Fine-Tuning Serviceを拡張します。"

"VLM は、かなり高い精度で伝票の内容や記入状態を認識できました。"

"この機能により、モデルは必要に応じて画像処理を実行し、思考とコード生成のループを通して画像タスクを完了できます。"

"やってみて驚くほど単純だったので記事にします。"

"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."