CARDEA là mô hình thị giác-ngôn ngữ lớn giúp chuẩn hóa việc chẩn đoán bệnh mạch vành thông qua quy trình suy luận có thể kiểm chứng, giúp tăng độ tin cậy cho bác sĩ lâm sàng.
Hội nghị ECCV vừa vinh danh nghiên cứu 'Heat Kernel Textures' về biểu diễn bề mặt 3D là bài báo xuất sắc nhất, đồng thời trao giải 'Thời gian kiểm chứng' cho giáo sư Fei-Fei Li vì những đóng góp nền tảng cho thị giác máy tính.
Elvis Saravia@omarsar0Another goated release by DeepSeek. Open weight, btw. Outperforms Opus 5 on key benchmarks, btw. L…
DịchDeepSeek vừa trình làng DeepSeek-V4.1-Flash, mô hình nhỏ nhất trong kiến trúc mới với khả năng hiểu thị giác nguyên bản, tối ưu tốc độ suy luận và chi phí, đồng thời vượt qua Opus 5 trên nhiều tiêu chuẩn quan trọng.
OracleZoom giải quyết thách thức thiếu dữ liệu gốc ở các cấp độ phóng đại cực lớn bằng cách sử dụng cơ chế tự chưng cất và ràng buộc tham chiếu, giúp mô hình duy trì độ chính xác khi thực hiện siêu phân giải đệ quy.
Kim@kimmonismusWhats really exciting about DeepSeek 4.1 Flash its insane efficiency and pricing. It matches or be…
DịchDeepSeek trình làng V4.1-Flash với kiến trúc Causal Encoder-Decoder đột phá, tích hợp khả năng hiểu thị giác nguyên bản cùng hiệu suất tối ưu nhờ mô hình 552B MoE.
Kim@kimmonismusDeepSeek just released V4.1-Flash with a new architecture, six weeks after its July V4-Flash update….
DịchDeepSeek giới thiệu V4.1-Flash, mô hình MoE 552B tham số tối ưu hóa hiệu suất với kiến trúc mới, giúp giảm đáng kể yêu cầu bộ nhớ KV cache và chi phí API trong khi vẫn hỗ trợ xử lý hình ảnh trực tiếp.
Thomas Wolf (Hugging Face đồng sáng lập/CSO)@Thom_Wolfdon't get distracted by all the hedging words in its name ("flash", minor version): seems like DeepS…
DịchDeepSeek vừa trình làng V4.1-Flash, mẫu model nhỏ gọn nhất trong kiến trúc mới với khả năng hiểu thị giác nguyên bản, tối ưu hóa cho tốc độ suy luận vượt trội và hiệu suất cao.
Cùng sự kiện, tinh chọn hiển thị «DeepSeek ra mắt DeepSeek-V4.1-Flash: Cửa sổ 1M token, tối ưu bộ nhớ KV Cache cực đỉnh»
Hacker News Nổi bật (buzzing.cc bản dịch tiếng Trung)@deepseek_aiDeepSeek vừa trình làng V4.1-Flash, thành viên nhỏ nhất trong kiến trúc mới, tập trung tối ưu tốc độ và hiệu suất xử lý, đồng thời tích hợp khả năng hiểu thị giác trực tiếp.
Aravind Srinivas (Perplexity CEO)@AravSrinivasDeepSeek vừa giới thiệu DeepSeek-V4.1-Flash, mô hình nhỏ nhất trong kiến trúc mới với tốc độ suy luận vượt trội và khả năng hiểu hình ảnh trực tiếp, đạt kết quả ấn tượng trên nhiều bài kiểm tra kỹ thuật.
Cùng sự kiện, tinh chọn hiển thị «DeepSeek ra mắt DeepSeek-V4.1-Flash: Cửa sổ 1M token, tối ưu bộ nhớ KV Cache cực đỉnh»DeepSeek@deepseek_ai🚀 Introducing DeepSeek-V4.1-Flash: smarter, faster, more efficient. 🔹 Introducing the smallest mo…
DịchDeepSeek vừa giới thiệu DeepSeek-V4.1-Flash, thành viên mới nhất trong dòng kiến trúc tối ưu hóa với kích thước nhỏ gọn, tích hợp sẵn khả năng xử lý và hiểu hình ảnh trực tiếp.
VDiff-Bench là bộ tiêu chuẩn mới gồm 1.756 câu hỏi trắc nghiệm, giúp kiểm tra khả năng phát hiện các thay đổi tinh vi giữa hai hình ảnh của các mô hình ngôn ngữ đa phương thức (MLLM) vốn thường gặp khó khăn trong tác vụ này.
AK@_akhaliqMarigold V2 Revisiting Diffusion Transformers for Monocular Depth Estimation paper: https://huggin...
DịchMarigold V2 tối ưu hóa kiến trúc Diffusion Transformer để nâng cao độ chính xác và hiệu quả trong việc ước tính độ sâu từ ảnh đơn, mở ra tiềm năng mới cho thị giác máy tính.
SynthGait-19K là bộ dữ liệu gồm hơn 19.000 video mô phỏng dáng đi từ 437 đối tượng, đi kèm chú thích chuyển động SMPL và 6 thông số dáng đi quan trọng, hỗ trợ đắc lực cho nghiên cứu thị giác máy tính.
Marigold V2 ứng dụng kiến trúc Diffusion Transformer để tối ưu hóa việc ước tính độ sâu, cho phép suy luận một bước với độ chính xác vượt trội trên các chi tiết phức tạp như lông thú hay tán lá, đồng thời giảm đáng kể chi phí vận hành.
Ant Ling@AntLingAGIThanks to our day0 partner @atomic_chat_hq to bring the visual intelligence to more users and creato…
DịchAntLingAGI vừa bổ sung khả năng phân tích hình ảnh cho Ling 3.0 Flash. Đối tác Atomic Chat đã phát hành phiên bản GGUF cho phép chạy mô hình cục bộ trên các thiết bị đầu cuối.
Ant Ling@AntLingAGICome and play with the new models on @ModelScope2022! 😺
DịchAnt Group vừa phát hành mô hình thị giác Ling-3.0-flash-VL theo giấy phép MIT trên nền tảng ModelScope, hỗ trợ sẵn hai định dạng trọng số BF16 và FP8.
Cùng sự kiện, bài đại diện «Ant Group ra mắt mô hình đa phương thức Ling-3.0-flash-VL với khả năng phản hồi thị giác»Ant Ling@AntLingAGIThanks to our day0 partner @DeepInfra to bring the finance and visual enhanced intelligence to more …
DịchAntLingAGI hợp tác cùng DeepInfra để phát hành hai mô hình mới là Ling-3.0-flash-Fin (tài chính) và Ling-3.0-flash-VL (thị giác), mở rộng khả năng tiếp cận cho người dùng.
CoVeR là bộ chọn token thị giác không cần huấn luyện, giúp tối ưu hóa suy luận 3D đa góc nhìn bằng cách loại bỏ token dư thừa. Chỉ với 8% lượng token, mô hình vẫn duy trì 93,5% hiệu suất, vượt qua các phương pháp hiện có tới 3,9 điểm phần trăm.
TransNormal-2 giải quyết lỗi tái tạo của VAE trong ước tính bề mặt 3D bằng cách tối ưu hóa giám sát tiềm ẩn và hiệu chỉnh cạnh, giúp tăng độ chính xác hình học đáng kể cho các mô hình khuếch tán.
TANGO là khung điều hướng thị giác-ngôn ngữ đầu tiên cho phép robot hình người di chuyển trong không gian 3D hỗn loạn bằng lệnh thoại. Mô hình đạt hiệu suất SOTA trong mô phỏng và có thể triển khai trực tiếp lên robot Unitree G1 mà không cần dữ liệu thực tế.
Phương pháp Mask Forcing giúp khắc phục tình trạng video bị bão hòa hoặc mờ nhòe trong các mô hình khuếch tán tự hồi quy bằng cách chèn các lớp mặt nạ ngẫu nhiên. Kỹ thuật này cải thiện đáng kể chất lượng hình ảnh mà không cần dữ liệu thực tế hay bước hậu huấn luyện phức tạp.
Nghiên cứu phân tích sự chuyển dịch của công nghệ tạo ảnh từ các mô hình đơn lẻ sang hệ thống tự hành có khả năng lập kế hoạch, sử dụng công cụ và tự sửa lỗi. Bài viết đề xuất khung phân loại mới dựa trên mức độ kiểm soát của AI trong quy trình tạo hình ảnh.
SimpleMemVLA loại bỏ các module bộ nhớ phức tạp, thay vào đó truyền trực tiếp lịch sử video vào backbone để xử lý, giúp mô hình VLA ghi nhớ thông tin dài hạn hiệu quả hơn mà không cần nén dữ liệu.
ENEAS là mô hình hợp nhất cho phép theo dõi đối tượng và phân đoạn ngữ nghĩa thông qua câu lệnh văn bản, giúp khắc phục các lỗi phổ biến như ảo giác thời gian và phân mảnh không gian trong các mô hình nền tảng hiện nay.
FactoSR giải quyết hạn chế về tư duy không gian của các mô hình VLM bằng cách phân tách bài toán thành ba yếu tố: mặt phẳng, chiều sâu và tính liên tục thời gian, giúp máy hiểu thế giới 3D tốt hơn.
Nghiên cứu giới thiệu KoNA, bộ tiêu chuẩn đánh giá khả năng nhận diện và từ chối trả lời các yêu cầu không an toàn, sai lệch hoặc bất khả thi ở cấp độ chi tiết thay vì chỉ đánh giá toàn bộ câu hỏi.
Nghiên cứu phân tích cơ chế 'tam giác chú ý' trong các mô hình khuếch tán, chỉ ra cách thông tin ngữ nghĩa bị rò rỉ giữa âm thanh và hình ảnh, dẫn đến các kết quả sai lệch so với yêu cầu người dùng.
ShallowStream là khung làm việc mới giúp giảm chi phí tính toán khi xử lý video trực tuyến bằng cách kết hợp xử lý nông (shallow) cho các khung hình đầu vào và chỉ đi sâu (deep) khi cần thiết, giúp tối ưu hóa bộ nhớ KV cache.
AdaptVPR là khung làm việc mới giúp AI nhận diện địa điểm (VPR) bền bỉ hơn trước các thay đổi về thời tiết và ánh sáng bằng cách tạo ra các dữ liệu huấn luyện đa dạng thông qua mô hình ngôn ngữ thị giác.
Alibaba vừa mã nguồn mở Qwen-Drive-1.0-4B, mô hình ngôn ngữ thị giác nền tảng đầu tiên được tối ưu hóa riêng cho lĩnh vực xe tự lái, phát triển dựa trên kiến trúc Qwen3.5-4B.
Cùng sự kiện, bài đại diện «Alibaba ra mắt Qwen-Drive: Mô hình mã nguồn mở đột phá cho xe tự lái»Nhóm nghiên cứu từ ĐH Chiết Giang và Alibaba DAMO Academy đã phát triển VLA-Corrector, một mô hình nhẹ giúp robot phát hiện và sửa lỗi kịp thời trong các khoảng mù hành động, thay vì mù quáng thực hiện chuỗi lệnh cũ.
Nhóm nghiên cứu từ SJTU, NUS và các đối tác đã tạo ra UrbanGround, một môi trường 3D mô phỏng Hồng Kông để kiểm tra khả năng điều hướng của AI. Kết quả cho thấy các mô hình lớn hiện nay dù nhận diện hình ảnh tốt nhưng lại cực kỳ yếu trong việc duy trì lộ trình dài hạn.
Nghiên cứu từ vivo và các đại học hàng đầu giới thiệu ART, phương pháp mới giúp chuyển đổi chính xác các kiểu trang điểm phức tạp như kim tuyến hay họa tiết nghệ thuật mà vẫn giữ nguyên cấu trúc khuôn mặt và danh tính người dùng.
RoboTok là hệ thống đột phá giúp trích xuất các video thao tác của con người từ Internet để huấn luyện robot, giải quyết bài toán thiếu hụt dữ liệu thực tế thông qua không gian chuyển động 3D linh hoạt.
Ant Ling@AntLingAGIToday, we are releasing Ling-3.0-flash-VL, built on Ling-3.0-flash with visual understanding and vis…
DịchAnt Group vừa giới thiệu phiên bản Ling-3.0-flash-VL, bổ sung năng lực hiểu hình ảnh và vận hành AI Agent dựa trên nền tảng Ling-3.0-flash hiện có.
QCell là mô hình dựa trên truy vấn mới giúp tách biệt các tế bào chồng lấp trong ảnh hiển vi bằng cách tái tổ hợp biểu diễn tiềm ẩn và căn chỉnh đối lập, giúp nhận diện cấu trúc tế bào chính xác hơn.
Nghiên cứu 'Select, Compress, Reinvest' phân tích các chiến lược chọn lọc, nén và tái phân bổ token thị giác nhằm nâng cao hiệu suất cho các mô hình ngôn ngữ đa phương thức (MLLM) khi xử lý video dài.
Scal3R tối ưu hóa tái tạo 3D trực tuyến bằng cách sử dụng các token học được để tinh chỉnh mô hình nền, kết hợp tối ưu hóa đồ thị tư thế giúp giảm thiểu sai số tích lũy trong các video dài.
FlashRender là khung dựng hình video đột phá giúp tái tạo video theo quỹ đạo camera mục tiêu chỉ trong vài giây, giảm 25 lần chi phí lấy mẫu mà vẫn đảm bảo chất lượng hình ảnh và tính nhất quán hình học vượt trội.
Principia là bộ benchmark mới sử dụng 529 tình huống thực tế để kiểm tra tính nhất quán vật lý Newton (trọng lực, ma sát, quán tính...) trong các mô hình video và VLM.