量子位
360开源高质量图文对齐数据集！收纳1200万张图像+1000万组细粒度负样本，让模型告别“图文不符”
，避免“近视”？
360人工智能研究团队提出了
FG-CLIP
，可以明显缓解CLIP的“视觉近视”
让AI学着“看菜下碟”！港中大等新框架让推理长度减少90%，准确率反增17%
香港中文大学与新加坡国立大学的研究者提出了一种名为TON的新颖选择性推理框架，让视觉语言模型可以自主判断是否需要显式推理。该方法显著减少了生成的思考链长度，提高了模型推理过程的效率，并且在不牺牲准确率的前提下提升了响应多样性。
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队发布全新图像编辑评测基准RISE，评估了九个视觉编辑模型的复杂指令理解和执行能力。结果显示GPT-4o-Image仅能完成28.9%的任务，显著低于预期；RISEBench覆盖时间、因果、空间和逻辑四种核心推理类型，为视觉编辑模型的发展提供了新的视角。
AI生图大洗牌！流匹配架构颠覆传统，一个模型同时接受文本和图像输入
新模型FLUX.1 Kontext能接受文本和图像输入，具备角色一致性、局部编辑等特性。它被用于生成与修改上下文相关的图像，并通过官方试玩平台Flux Playground提供两种型号供选择。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME-VideoOCR团队评估MLLM在视频OCR中的能力，构建精细任务体系和高质量数据集，揭示了当前模型的局限性，并提出了优化建议。
10个小模型并联跑赢GPT-4.1！无额外训练，方法仅4步
上海人工智能实验室联合团队提出Avengers框架，通过四个轻量步骤集合多个小型模型实现复杂任务的高效解决。结果证明，在无需额外训练的情况下，Avengers框架能够达到甚至在某些方面超越顶尖大型模型的水平。