大模型Hugging Face Papers4 天前
DK-VLM用几何位置增强视觉语言模型空间推理
DK-VLM提出双核注意力机制，将3D几何位置而非重建特征直接注入注意力计算，并引入参考系组合监督训练模型跨视角更新空间判断。在六个空间基准上取得最高平均分，VSI-Bench达74.33，同时保持通用视频理解能力。
AI 与各行业落地的前沿信号寻行业之脉
寻行业之脉
接真实之需
每日自动追踪全球权威信源，模型生成中文摘要与有效期判断，人工抽检把关。 不追热点，只留经得起推敲的那一部分。
249
累计条目
0
今日新增
12
权威信源
采集中每日 02:00 · UTC+8
L1 摘要
全量
L2 深度
0
人工抽检
每日
按领域浏览
AI 与可被 AI 赋能的行业方向，每个领域独立成脉
筛选结果
共 5 条符合条件
当前筛选#vlm×
大模型Google AI Blog4 天前
ScreenAI: A visual language model for UI and visually-situated language understanding
Google Research 发布 ScreenAI，一个 5B 参数的视觉语言模型，基于 PaLI 架构并采用 pix2struct 灵活分块策略，专门理解 UI 界面和信息图。通过自监督预训练与人工标注微调，在 WebSRC、MoTIF、ChartQA、DocVQA 等任务上达到同规模最优，并开源三个新数据集。
具身智能arXiv cs.RO4 天前
An Agentic Framework for Proactive Robots with Procedural Assistance Memory
提出基于记忆的主动机器人框架，用程序化辅助记忆（PAM）以有限状态机记录活动阶段与辅助规则，VLM 任务预测器结合当前观察决定何时辅助及执行何种任务，VLA 执行器完成任务，反思 VLM 每日更新记忆无需重训。5 天桌面辅助实验中精度、召回与 F1 持续提升，首次触发延迟从 5 秒降至 1 秒。
具身智能arXiv cs.RO4 天前
TGrasp6D: Task-Informed Vision-Language Priors and Pose Refinement enable Zero-Shot Task-Oriented 6DoF Grasping
TGrasp6D 提出一种基于视觉语言模型的零样本任务导向 6DoF 抓取方法：根据任务与单张 RGB-D 图像推理语义可供性生成初始抓取先验，再通过 6DoF 位姿优化避免碰撞并保持任务一致性。在 TaskGrasp 数据集上成功率达 94%，远超基线 74%，并在 Franka 机器人上验证了真实世界零样本泛化能力。
大模型arXiv cs.AI4 天前
Counterfactual Neighborhood Risk Fields: Evidence-Grounded Selective Safety for Vision-Language Models
提出 CNRF 框架，通过构建上下文匹配的良性-有害反事实对，将表征差异作为风险方向，并独立估计邻域支持度，从而区分'不熟悉'与'有害'，实现选择性干预而非一刀切拒绝。在三个 VLM 和五类多模态越狱攻击上达到 86.06-89.30% 宏观防御成功率，同时保留良性任务效用。