BriefGPT - AI 论文速递 ·

多模态新闻理解与专业标注视频

💡 原文中文，约200字，阅读约需1分钟。

📝

内容提要

该研究探索了自我监督视觉语言表示法对不同长度和数量的图像文本的鲁棒性。研究使用大规模多模态数据集，并提出了一种基线方法，其在零样本图像集检索表现上超过最先进方法10%。

🏷️

SenseNova-U1.5-8B-MoT 统一生成与理解，解锁原生多模态创作；DeepSeek-V4-Flash-Vision-Exp 拓展视觉理解新能力
商汤科技发布SenseNova-U1.5-8B-MoT统一多模态模型，支持图像生成、编辑与理解，提升4K画质和文字渲染。HyperAI官网更新数据集、教程...
Witbe 推出用于视频测试自动化的 AI 模型
Witbe推出自研视觉语言模型Witbe VLMs，用于视频测试自动化，与通用模型协同工作。该模型针对机顶盒等特定场景训练，性能不逊于前沿模型，且延迟更低...
Kimi K3 模型结构（5）：宽度维度，Stable LatentMoE
Kimi K3模型采用Stable LatentMoE作为FFN，基于NVIDIA LatentMoE改进，将输入压缩至半宽latent空间，增加RMSN...
Claude Fable 5.1 对比 Fable 5：在实际工作中，我无法区分它们。
Anthropic launched Claude Fable 5.1 this week, calling it “our most advanced ...
在代理式RAG中建立信任始于证据
Basic retrieval-augmented generation (RAG) follows a straightforward pattern....
Kimi K3 模型结构（3）：序列维度，Gated MLA 与 3:1 混合
本文介绍Kimi K3模型结构：采用3:1混合，每四层含一层Gated MLA（无位置编码、满秩sigmoid门），其余为KDA层。MLA低秩压缩KV至5...