DeepSeek-VL2视觉语言模型发布：高效处理高分辨率图像与文本数据
DeepSeek-AI推出DeepSeek-VL2系列视觉语言模型，采用动态切片、多头潜在注意机制，适应不同需求，提升高分辨率图像处理效率，光学字符识别准确率达92.3%，视觉定位精准度提升15%，计算需求降低30%，表现卓越。
NVIDIA发布NVILA视觉语言模型：效率提升4.5倍，精度优化显著
NVIDIA推出NVILA视觉语言模型，训练成本降低4.5倍，内存需求减少3.4倍，性能优于同类模型，确保高分辨率输入信息完整，将发布代码促进研究复现。
LLaVA-o1多模态模型发布：北大团队打造，超越基础模型8.9%推理性能
北京大学发布多模态开源模型LLaVA-o1，具备自发、系统推理能力，超越同类模型。在多模态基准测试中表现优异，推理过程分四阶段，提升准确性。模型即将全面开源，助力多模态AI发展。
Hugging Face推出SmolVLM：高效运行的2B参数视觉语言模型，适配普通设备
SmolVLM 是 Hugging Face 推出的一款针对设备端推理的轻量化视觉语言模型，具备2B参数，能够在低资源环境下高效运行。与同期模型相比，SmolVLM 的令牌生成速度提升了7.5到16倍，同时优化了架构，大大降低了对硬件的要求。它在处理视觉语言任务时表现出色，测试中对50帧 YouTube 视频的适应能力也展现了良好的性能。SmolVLM 的推出，使得强大的机器学习能力更加易于接触，填补了当前AI工具的一项重要空白。