Hệ thống mới giúp khắc phục điểm yếu về suy luận không gian của các mô hình ngôn ngữ thị giác trong y tế bằng cách phân tách quy trình thành các bước phân tích ngôn ngữ, định vị giải phẫu và tính toán hình học xác định.
FIRM-Video giới thiệu quy trình đánh giá video mới bằng cách kiểm tra các tiêu chí cụ thể trước khi chấm điểm, giúp tăng độ chính xác và tính minh bạch cho các mô hình AI tạo video.
StreamPI là khung mô hình hóa thời gian đa phương thức giúp các mô hình VLA đơn khung như pi0.5 có khả năng suy luận trình tự mà không cần thêm tham số, giúp robot vận hành ổn định và chính xác hơn.
V-Rubrics cải thiện độ chính xác của mô hình thị giác-ngôn ngữ bằng cách phân tách câu trả lời thành các mệnh đề nguyên tử và chấm điểm dựa trên độ trung thực, tính nhất quán và khả năng tuân thủ chỉ dẫn, giúp mô hình suy luận tốt hơn thông qua phương pháp GRPO.
MoTE tối ưu hóa mô hình ngôn ngữ lớn bằng cách chuyển đổi các lớp feed-forward thành các chuyên gia đặc thù cho từng nhiệm vụ, giúp tăng độ chính xác trong hiểu video mà vẫn tiết kiệm tài nguyên tính toán.
G2WEngine là khung làm việc tự động loại bỏ giao diện người dùng (UI) khỏi video game, tạo ra bộ dữ liệu chất lượng cao giúp cải thiện đáng kể hiệu suất của các mô hình thế giới và tác vụ xử lý hình ảnh.
TorchMorph là tiện ích mở rộng nhẹ cho PyTorch, cung cấp 22 toán tử tối ưu hóa bằng CUDA, hỗ trợ xử lý hình thái học nhị phân/thang độ xám và vận chuyển tối ưu trên tensor lên tới 8 chiều.
DiffusionOPSD tối ưu hóa mô hình khuếch tán bằng cách chuyển đổi phần thưởng hình ảnh thành mục tiêu dự đoán trực tiếp, giúp cải thiện đáng kể hiệu suất và giảm tới 63% thời gian huấn luyện so với các phương pháp hiện có.
EXPL-FR sử dụng bộ chuyển đổi nhẹ để liên kết mô hình ngôn ngữ thị giác với không gian nhúng của nhận diện khuôn mặt, cho phép giải thích các đặc điểm ngữ nghĩa mà mô hình dựa vào mà không cần huấn luyện lại.
ReWorld tối ưu hóa mô hình thế giới bằng cách tách biệt điều khiển và bộ nhớ, cho phép xử lý video thời gian thực với độ chính xác cao và khả năng ghi nhớ lịch sử dài hạn vượt trội so với các mô hình hiện nay.
Khung huấn luyện IVT giúp mô hình đa phương thức nội hóa tư duy thị giác, cho phép suy luận video trực tiếp bằng văn bản mà không cần tạo ảnh trung gian, giúp tối ưu hóa hiệu suất đáng kể.
Nhóm nghiên cứu từ Đại học Thanh Hoa đã phát triển khung học tập dựa trên thị giác, giúp robot hình người thực hiện các kỹ năng đá bóng linh hoạt trong môi trường thực tế, đánh dấu cột mốc quan trọng sau 22 năm kiên trì nghiên cứu.
Công ty khởi nghiệp robot Mech-Mind dự kiến niêm yết tại Hồng Kông để rót vốn vào R&D, mở rộng thị trường quốc tế và phát triển danh mục sản phẩm AI kết hợp thị giác 3D.
UniSpace giới thiệu kỹ thuật Patch Reparameterization giúp các mô hình ViT giữ lại chi tiết hình ảnh tinh vi, cho phép một không gian biểu diễn duy nhất phục vụ tốt cả tác vụ hiểu, tạo và chỉnh sửa ảnh.
EviRank chuyển đổi bài toán tìm kiếm ảnh phức tạp thành dạng kiểm chứng ràng buộc, giúp phân tích chính xác các yêu cầu về thực thể và thuộc tính, từ đó cải thiện độ chính xác khi truy vấn ảnh đa phương thức.
OmniAssistBench là bộ tiêu chuẩn mới giúp đánh giá khả năng làm trợ lý video thời gian thực của các mô hình Omni-LLM, giải quyết thách thức trong việc đo lường các tương tác động mà các tập dữ liệu tĩnh hiện nay chưa đáp ứng được.
Sau thời gian dài chỉ tập trung vào văn bản, DeepSeek chính thức bổ sung khả năng đọc hiểu hình ảnh cho API, mở ra tiềm năng cho các tác vụ AI Agent phức tạp.
DeepSeek vừa giới thiệu mô hình đa phương thức V4-Flash-Vision-Exp với khả năng suy luận văn bản mạnh mẽ và hiệu suất tiệm cận Opus 4.8 trong các bài kiểm tra tác tử AI. Mô hình hỗ trợ API linh hoạt, cho phép xử lý tới 600 ảnh mỗi yêu cầu với chi phí tối ưu.
Cùng sự kiện, bài đại diện «DeepSeek ra mắt mô hình đa phương thức thử nghiệm V4-Flash-Vision-Exp»
opencode@opencodeDeepSeek V4 Flash Vision Exp is now available in OpenCode Go
DịchMô hình DeepSeek V4 Flash Vision hiện đã được tích hợp và sẵn sàng cho người dùng trải nghiệm trực tiếp trên OpenCode Go.
DeepSeek vừa giới thiệu phiên bản thử nghiệm DeepSeek-v4-flash-vision-exp, cho phép người dùng phân tích hình ảnh, trích xuất văn bản từ ảnh chụp màn hình và đọc hiểu biểu đồ một cách hiệu quả.
DeepSeek vừa trình làng mô hình thị giác máy tính V4-Flash-Vision-Exp với khả năng hiểu hình ảnh vượt trội, tiệm cận hiệu suất của Opus-4.8. Dịch vụ đã sẵn sàng trên API với cơ chế tính phí theo token linh hoạt, hỗ trợ đa dạng phương thức truyền tải hình ảnh.
Cùng sự kiện, bài đại diện «DeepSeek ra mắt mô hình đa phương thức thử nghiệm V4-Flash-Vision-Exp»DeepSeek vừa trình làng V4-Flash-Vision-Exp, mô hình đa phương thức có khả năng xử lý hình ảnh mạnh mẽ ngang ngửa Opus-4.8. Người dùng có thể truy cập qua API với cơ chế tính phí theo token và tận dụng Files API mới để tối ưu hóa việc tải lên hình ảnh.
4DAnyone là khung làm việc mới giúp tái tạo mô hình người 4D từ video đơn lẻ mà không cần hiệu chuẩn, thông qua kỹ thuật 4D Gaussian Splatting. Phương pháp này giải quyết hiệu quả vấn đề nhất quán đa góc nhìn, mang lại chất lượng hình ảnh vượt trội so với các công nghệ hiện có.
WithEveryone là khung làm việc đột phá cho phép tạo ảnh nhóm lên tới 10 nhân vật với độ chính xác cao. Công nghệ này giải quyết triệt để vấn đề nhầm lẫn danh tính và lỗi ghép ảnh, giúp duy trì sự nhất quán của từng cá nhân trong cùng một khung hình.
RapidLiDAR giới thiệu phương pháp khởi tạo thích ứng giúp tái tạo hình học 3D từ dữ liệu LiDAR bị khuyết thiếu một cách nhanh chóng và chính xác, vượt qua hạn chế của các mô hình tạo sinh truyền thống.
SPK giải quyết vấn đề ảo giác trong phát hiện vật thể bằng cách khai thác tri thức tiên nghiệm về cấu trúc và ngữ cảnh, tạo ra biểu diễn 5 chiều giúp nhận diện chính xác các dữ liệu ngoài phân phối (OoD).
DeepSeek Harness vừa cập nhật tính năng hỗ trợ đa phương thức, cho phép gửi hình ảnh kèm lệnh điều khiển và mở rộng khả năng tương tác với lịch sử hội thoại.
SoftVTBench cung cấp 4.000 dữ liệu trình diễn đa phương thức, giúp robot thao tác vật thể mềm chính xác hơn thông qua chỉ số DSR (tỷ lệ thành công nhận thức biến dạng), khắc phục tình trạng các mô hình hiện nay bỏ qua sai số hình học.
PixRestore là mô hình Diffusion Transformer hoạt động trực tiếp trên không gian pixel, loại bỏ sự phụ thuộc vào VAE để bảo toàn chi tiết ảnh sắc nét và khắc phục các lỗi sai lệch nội dung thường gặp ở các mô hình T2I.
MoE-ViE tối ưu hóa khả năng hiểu hình ảnh và video bằng kiến trúc chuyên gia hỗn hợp (MoE), đạt hiệu suất vượt trội với độ trễ thấp hơn 24% so với các mô hình cùng kích thước, thiết lập chuẩn mực mới cho các mô hình đa phương thức.
CoinVE-200K là bộ dữ liệu chất lượng cao gồm các cặp video 1080p, hỗ trợ thực hiện đồng thời 2-5 thao tác chỉnh sửa như thêm, xóa, sửa đổi và thay đổi phong cách trên cùng một video.
TAMP-Nav tối ưu hóa điều hướng robot bằng cách chuyển đổi tác vụ thành chọn điểm 2D trên ảnh, kết hợp suy luận chọn lọc và bộ nhớ quỹ đạo để đạt hiệu suất kỷ lục trên R2R-CE.
Nghiên cứu của Abra chỉ ra rằng mô hình khuếch tán có tính dự báo cao tương tự LLM, nhưng đòi hỏi lượng dữ liệu gấp 10 lần so với công thức Chinchilla để đạt hiệu suất tối ưu.
Nghiên cứu đề xuất hạ tầng dữ liệu mới giúp tối ưu hóa khả năng tạo ảnh thông qua việc kết hợp giám sát chuyên biệt và lập lịch học tập, tạo ra kho dữ liệu khổng lồ để huấn luyện các mô hình khuếch tán đa phương thức từ con số không.
GS-Voxel giới thiệu khung không gian tiềm ẩn giúp chuyển đổi 3DGS thành các voxel thưa, cho phép tạo hình 3D quy mô lớn từ ảnh vệ tinh mà không cần tối ưu hóa từng cảnh riêng biệt.
Rohan Paul@rohanpaul_aiWhat you're watching looks like a shiny new hardware company. the tech behind it are almost two deca…
DịchSử dụng 5 camera và chip NVIDIA, robot Matic có khả năng lập bản đồ 3D toàn nhà trong 20 phút, tự động nhận diện và xử lý vật cản mà không cần ứng dụng. Công nghệ này kế thừa từ nghiên cứu thị giác máy tính đột phá của nhà sáng lập sau 20 năm ấp ủ.
fofr@fofrAIIncredible stuff. Now I need a Navi fairy companion version.
DịchChuyên gia fofr đánh giá cao TypeGPU khi chạy mô hình độ sâu 448x448 trên chip M4 Pro chỉ trong 8ms. Giải pháp này tối ưu hóa hiệu suất bằng cách hợp nhất quy trình suy luận, chiếu sáng và kết xuất vào cùng một bộ mã hóa lệnh mà không cần đồng bộ GPU.
Kim@kimmonismusApple's rumored camera-equipped AirPods have appeared in a leaked demo. Siri turns into an AI assist…
DịchThông tin rò rỉ từ macOS Tahoe cho thấy Apple đang phát triển AirPods tích hợp camera, cho phép Siri nhận diện môi trường xung quanh và hỗ trợ người dùng xử lý công việc thông qua Visual Intelligence.
GRNEdit giới thiệu khung làm việc hai giai đoạn tối ưu, mô hình hóa chỉnh sửa video dưới dạng quyết định nhị phân. Với chỉ 3% tham số điều kiện, mô hình 2B đã vượt qua nhiều đối thủ 14B, thiết lập chuẩn mực mới về hiệu suất và tính ứng dụng.
Nghiên cứu giới thiệu giao diện 2D cho phép các mô hình ngôn ngữ chuyển động (MoLMs) 3D xử lý dữ liệu 2D mà không cần huấn luyện lại, đạt hiệu suất vượt trội trong các tác vụ ước tính tư thế từ video thực tế.