术语slug: visual-encoder

视觉编码器

Visual Encoder

多模态模型中提取图像特征的核心组件

收录情报动态

共 3 篇 · 第 1/1 页
Marktechpost (@Marktechpost)T2·基座大模型
78 分
Thinking Machines 发布 Inkling 2 Small 稀疏 MoE 模型

Thinking Machines Lab 发布 Inkling 2 Small,总参数 594B 的混合专家模型,每个 token 仅激活 17B 参数,在 48 层中从 384 个专家里路由 8 个,并接入 292M 视觉编码器支持图像输入。其在 Artificial Analysis 智能指数上得 31 分,SWE-Bench Pro v2 达 86.3%,但推理速度偏慢、Terminal-Bench 仅 13.1%,目前权重闭源,计划安全测试后以 Apache 2.0 开放。

机器之心 (微信公众号)T2·基座大模型
78 分
RAVEL 免训练评测法提升多模态视觉编码器选型准确率

研究团队提出免训练评测方法 RAVEL,通过引入稳定化 PCA 白化和图像块级相似度计算,解决了现有跨模态指标在大规模候选池中性能下降的问题。实验显示,该方法无需额外训练即可实现高达 0.85 的 Spearman 相关系数,显著优于传统方法,为多模态大模型视觉编码器的高效选型提供了可靠基线。

智谱 AI 研究T1·基座大模型
78 分
智谱开源 GLM-OCR:0.9B 参数登顶文档解析 SOTA

智谱 AI 正式发布并开源轻量级 OCR 模型 GLM-OCR,以仅 0.9B 的参数规模在 OmniDocBench V1.5 中取得 94.6 分的 SOTA 成绩。该模型针对手写体、复杂表格及代码等高难场景深度优化,支持 vLLM/SGLang 部署,显著降低算力开销,为边缘计算和高并发业务提供高效解决方案。