MonkeyOCR：华科开源高效文档解析模型，精度超越闭源大模型、速度还更快！
华中科技大学开发的MonkeyOCR文档解析模型在OmniDocBench数据集上取得显著成果，相比MinerU、Qwen2.5-VL等开源和闭源大模型，在中文内容识别方面表现出色。该模型采用结构-识别-关系(SRR)三元组方法，并基于大规模标注数据集MonkeyDoc进行训练。
极市干货
解决 MAR 图像生成模型效率难题！LazyMAR：通过特征缓存加速自回归图像生成，效率无损提升2.83倍！
术，通过巧妙地利用特征缓存机制，成功攻克了MAR模型在计算效率方面的瓶颈，不仅实现了高达 2.83
打破多模态数学推理瓶颈：港中文MMLab发布MINT-CoT，将细粒度视觉推理链引入数学领域
港中文 MMLab 提出的新方法 MINT-CoT，通过引入‘视觉交错思维链’实现细粒度视觉与文本推理融合，在多个基准数据集上刷新 SOTA，显著提升多模态大模型在数学视觉任务中的表现。
CVPR’25 感知性能飙升50%！JarvisIR：VLM掌舵,为自动驾驶装上“火眼金睛”,不惧恶劣天气
arvisIR 是首个将视觉语言模型（VLM）作为控制器的智能图像恢复系统，通过动态调度多个专家模型
LLM 自回归+Diffusion Loss？Orthus：仅需72小时训练时间，即可高精度多模态生成
型
Orthus，可同时生成离散文本和连续图像特征。其通过特定的扩散头和语言模型头分别处理图像和文本
CVPR 2025 UniRestore：统一图像复原新框架
本文提出UniRestore框架，结合互补特征恢复模块和任务特征适配器，有效弥合感知式与任务导向图像恢复之间的差距，在多项任务中展现了领先性能和良好的可扩展性。
CVPR 2025 最佳论文｜Meta与牛津大学推出VGGT，一站式Transformer开创高效3D视觉新范式
VGGT 是一种基于纯前馈 Transformer 架构的通用 3D 视觉模型，能够在单张或多张图像中直接预测相机参数、深度图和点云等几何信息。该模型在多个任务中的性能显著超越传统优化方法，并且推理速度达到秒级。