ICML2025｜多模态理解与生成最新进展：港科联合SnapResearch发布ThinkDiff，为扩散模型装上大脑
多模态理解与生成新方法ThinkDiff在ICML2025上提出，仅需少量数据和计算资源，让扩散模型具备推理能力，并通过视觉-语言训练和掩码策略传递VLM的多模态推理能力，大幅提高图像生成质量。
视觉语言模型
智谱新版VLM开源模型 GLM-4.1V-9B-Thinking
基于GLM-4.1V-9B-Thinking模型，引入强化学习技术提升视觉语言模型能力，在18个任务中与8倍参数量的Qwen-2.5-VL-72B相当或超越
AI 开始「自由玩电脑」了！吉大提出「屏幕探索者」智能体
基于强化学习训练的视觉语言模型成功在开放GUI环境中进行了自我探索，提升了智能体的交互能力。该研究展示了如何结合探索奖励、世界模型和GRPO强化学习来增强智能体的探索效率，并通过经验流蒸馏技术进一步提升了其自主性。
视觉感知驱动的多模态推理：阿里通义提出VRAG-RL，定义下一代检索增强生成
VRAG-RL 是一种基于强化学习的视觉检索增强生成方法，通过引入多模态智能体训练，实现了视觉语言模型在检索、推理和理解复杂视觉信息方面的显著提升。
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。
罕见！苹果开源VLM视觉语言模型，首令牌速度提高85倍，以后的AI服务一定会越来越便宜。
苹果开发的高效视觉语言模型FastVLM采用新型混合视觉编码器FastViTHD，实现高分辨率图像处理速度提升3.2倍的同时保持精度。
2天1k多星！BAGEL横空出世：字节跳动发布全球首个多模态全能AI，开启智能新纪元！
BAGEL 是一个开源多模态基础模型，拥有70亿活跃参数，在标准多模态理解排行榜上超越了当前顶尖开源模型，并展示了高级编辑能力及扩展至世界建模的能力。