Meta公司推出了一种紧凑型视觉编码器EUPE，能够同时处理多种视觉任务。它采用“先扩大规模，再缩小规模”的方法，将多个专家模型的知识整合到一个代理模型中，并提炼出高效的学生模型，从而解决边缘设备计算资源不足的问题。

EncQA是一个新基准，旨在评估视觉语言模型在图表理解中的表现。它提供2076对合成问答，涵盖六种视觉编码通道和八种分析任务。研究表明，模型在不同编码和任务间的性能差异显著，单纯增加模型规模并未提升表现，需针对特定视觉推理缺口制定策略。

视觉语言模型（VLMs）结合视觉与文本理解，适用于无障碍助手和机器人等应用。Apple的FastVLM通过高分辨率图像的混合架构显著提升了准确性和效率，解决了二者之间的权衡，适合实时应用。

Meta AI推出的感知编码器（PE）通过单一对比学习目标，构建了一个通用视觉编码器，支持多种视觉任务，如图像和视频分类、检索等，展现出强大的零样本泛化能力，为多模态AI系统奠定了高效基础。

提升图像分辨率对视觉语言模型（VLM）性能至关重要，但高分辨率下的视觉编码器效率低。FastVLM模型通过优化图像分辨率、延迟和准确性之间的平衡，采用新型混合视觉编码器FastViTHD，显著减少编码时间和视觉标记数量。与之前的方法相比，FastVLM在保持性能的同时，首次标记时间提升了3.2倍，并在高分辨率下表现优异。

数据可视化在数据驱动的时代至关重要，帮助理解复杂信息并有效沟通。CBSE 12年级计算机科学第8章介绍了数据可视化的基本概念和技术，如图表、数据映射、视觉编码和数据转换。这些技能有助于更好地分析和展示数据，支持数据驱动的决策。

DeepSeek发布了更新版多模态模型Janus-Pro，提升了训练策略、数据规模和模型大小，增强了多模态理解和文本生成图像的能力。该模型分离了视觉编码，解决了稳定性和性能问题，并使用合成美学数据。在多个基准测试中，Janus-Pro表现优于之前的模型，支持384x384图像输入，并已在GitHub上开源。

AIxiv专栏促进学术交流，Florence-VL模型利用生成式视觉编码器Florence-2，克服传统视觉编码器的局限，提供多层次视觉特征，提升多模态任务的表现。

AIMv2是一种大型视觉编码器，通过多模态自回归目标进行预训练，解决了视觉编码器与生成任务之间的不匹配。该模型在多模态任务和视觉识别基准上表现优异，训练效率高，所需样本显著少于现有技术。

Janus是一种多模态理解与生成模型，通过分离视觉编码器提升灵活性和性能。它使用两个独立的视觉编码器处理理解和生成任务，并通过统一的Transformer进行整合。实验显示，Janus在多模态理解和视觉生成任务上表现优于现有模型，具备更好的指令跟随和多语言生成能力，设计灵活易扩展，适用于更多模态。

智源研究院与大连理工大学、北京大学等合作推出了新一代无编码器的视觉语言模型EVE。EVE通过去除视觉编码器，能处理任意图像长宽比，并通过精细化的训练策略和额外的视觉监督，在多个视觉-语言基准测试中表现出色，与基于编码器的主流多模态方法相媲美。EVE的提出为纯解码器的原生多模态架构发展提供了一条透明且高效的路径。