主題選讀

#Vision

關於 Vision 的最新消息、技術解析與應用觀察。

26篇文章

主題文章

由新到舊，第 1 / 3 頁

工具與應用10 月 12 日2 分鐘

vLLM Semantic Router 團隊推出開源多模態決策模型家族 Decision 3.0，涵蓋 0.6B 至 27B 共六種參數規格。本文整理其以機率分佈為核心的分類架構、對文字、圖片與影片的判讀能力，以及在基準測試和推論延遲上的官方實測數據。

工具與應用10 月 12 日1 分鐘

DigUp 是一款專為 Apple Silicon Mac 設計的開源本機搜尋工具，結合 Google DeepMind 的多模態模型 EmbeddingGemma 2 與 llama.cpp。使用者只要以自然語言描述畫面或對話內容，就能快速定位圖片、PDF、影音與程式碼片段。

工具與應用10 月 12 日2 分鐘

Cloudflare 發表支援音訊、影片、圖片與文字輸入的多模態決策模型 Clef-omni，以 Qwen3-Omni 為基礎架構，省略自由文字生成步驟，直接對指定題目計算選項機率。同時，官方宣布將託管版 Clef-flash 的輸入費用調降至每百萬 Token 0.038 美元， …

工具與應用10 月 12 日2 分鐘

AuroraIMG-6M 是一個參數量僅 6.82M 的極輕量文生圖模型，涵蓋文字編碼器、去噪器與 VAE，完全由零開始在 CC12M 資料集上訓練完成。本文詳細解析其架構設計、訓練流程、評測數據與硬體適用限制。

工具與應用10 月 10 日2 分鐘

騰訊優圖實驗室發布 50 億參數規模的全模態結構化解析模型 Youtu-Parsing-Omni，主打單一編碼器與統一 OmniSchema JSON 輸出格式。

工具與應用10 月 10 日1 分鐘

法國人工智慧團隊 LightOn 正式開源 LightOnOCR-3-4B 模型，採用 Qwen3.5 視覺語言架構與 Apache 2.0 授權，提供整頁文字轉錄與精準視覺定位雙模式。

工具與應用10 月 10 日2 分鐘

本篇介紹 Liquid AI 開源的 3.12B 多模態決策模型 d1-3B。文章深入探討其單次前向傳播、零輸出 Token 的技術特點，整理在 Decision Index 與邊緣硬體上的延遲測試數據。

工具與應用9 月 25 日1 分鐘

Agnes-3.0-Flash Preview 是全新的開源多模態模型，擁有 33B 參數量與 262K 上下文長度，具備卓越的推理與編碼能力，並支援影像與影片理解，是追求高效能運算的新選擇。

工具與應用9 月 25 日1 分鐘

Jina OCR v1 是一款專為文件解析設計的模型，將 PDF、掃描頁面與複雜版面轉成結構化 Markdown。

模型新知9 月 25 日2 分鐘

Horus Cyber Nano 1.0 是 TokenAI 發布的多模態資安模型，支援文字、圖片與影片輸入。本文整理它的 MoE 架構、官方測試、部署方向與安全使用邊界。