BriefGPT - AI 论文速递 ·

Efficient Architecture for High-Resolution Vision-Language Models

💡 原文英文，约100词，阅读约需1分钟。

📝

内容提要

本研究提出了Pheye架构，有效解决了视觉-语言模型在高分辨率图像中识别细节的不足，尤其在细粒度图像理解和场景文本处理任务中表现出色，显著提升了效率和性能。

🏷️

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...
Airbnb Cuts Authentication Code by 60% with Server Driven Architecture
Airbnb redesigned its authentication architecture around server driven flows ...
CD销量激增，实体媒体持续复兴
美国唱片业协会报告显示，2026年上半年CD销量达1750万张，同比增长45.7%，销售额增长58.6%至1.711亿美元，扭转了此前下滑趋势。黑胶唱片销...
Kimi K3 模型结构（7）：结构决定系统
本文总结Kimi K3模型结构对训练与推理系统的影响。KDA采用三种执行形态（FlashKDA、设备内上下文并行、状态回滚）处理固定大小状态；上下文并行通...
Kimi K3 模型结构（6）：输入端与零件，MoonViT-V2、MTP、Per-Head Muon
Kimi K3模型采用从零训练的MoonViT-V2视觉编码器，27层、patch14结构，支持高分辨率图像token化；MTP层预训练后微调为EAGLE...
EP224：MCP与RAG及AI代理的对比
本文介绍MCP、RAG与AI Agent的区别：MCP是连接AI与外部工具的标准协议；RAG通过检索外部数据提供最新答案；AI Agent能自主决策执行任...