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、成本更经济、支持数据主权。测试结果仍由确定性逻辑验证，基于真实设备KPI。CEO和COO强调模型专用性不影响通用性，客户已广泛部署。

Cohere发布文档解析模型Parse（parse-v5.0），为2.3B参数视觉语言模型，可将PDF、PPT等转为带HTML表格和边界框的Markdown。API定价每千页1.5美元，Model Vault月费2500美元起。ParseBench得分79.2为自报子集分数，未含图表和视觉定位维度。专用容量月处理超167万页才划算。

Liquid AI发布LFM2.5-VL-3B，31亿参数视觉语言模型，专为设备端设计，支持屏幕理解、函数调用、锚定和多图像输入。在28项基准测试中平均得分69.4，与4.7B模型相当。内存占用约3GB，解码速度228 tok/s。许可证对年收入低于1000万美元的公司免费，高收入需商业许可。

中科院团队提出GMC核心集剪枝方法，解决视觉语言模型Token冗余问题。该方法免训练，通过互补证据筛选和群体信息传输，保留关键视觉信息，减少80%以上Token，性能保持99%以上，并抑制幻觉，兼容Qwen、LLaVA等模型，提升推理速度，降低显存占用。

GH-ESD提出一种基于假设驱动与验证的框架，用于发现实例级视觉任务（如检测和分割）中的错误切片。它利用大语言模型生成关系性失败假设，并通过视觉语言模型和统计验证进行确认。研究还引入GESD基准数据集，实验显示该方法在检测任务上显著优于现有方法，并能提供可解释的改进建议。

本文介绍视觉概念推断任务（VICIS），要求模型从少量示例图像中提取共享概念，并应用于新查询图像生成。现有视觉语言模型在此任务上表现不佳，常忽略视觉上下文或产生偏见输出。作者提出训练框架和架构，学习从图像集合推断概念并提取查询特定嵌入。实验表明，该方法在合成数据和ImageNet/WordNet数据上生成更准确多样，且能泛化至未见概念和草图等模态。

LensVLM是一种推理框架，旨在提升视觉语言模型（VLM）在压缩图像上的表现。该方法通过选择性扩展相关图像，保持高达4.3倍的有效压缩精度，超越传统的文本和视觉压缩基线。在多模态文档和代码理解任务中，随着压缩增加，准确性显著提升。

强化学习微调的视觉语言模型在视觉推理基准上有所提升，但仍受到视觉基础薄弱、幻觉和文本线索过度依赖的影响。简单的文本扰动显著降低了模型的鲁棒性和信心。开放源代码模型在连贯性方面表现不佳，而封闭模型则更为稳健。微调提高了基准准确性，但可能削弱推理的可靠性。建议采用关注忠实度的奖励机制，以改善推理的准确性和鲁棒性。

Zyphra发布了Zamba2-VL系列开放视觉语言模型，包含12亿、27亿和70亿参数。该模型采用混合SSM-Transformer架构，支持图像与文本的理解与关联，推理速度快，适用于文档提取和库存盘点等场景。尽管在知识推理方面表现不如大型模型，但在视觉计数和文档理解上具有优势。模型权重和推理代码已公开。

ChartNet是由麻省理工学院等机构开发的高质量多模态数据集，包含150万个图表样本，涵盖24种图表类型，旨在提升AI对图表的理解能力。该数据集支持图表重建、数据提取和摘要生成等任务。研究表明，微调模型在ChartNet上表现优于现有大型模型，推动了视觉语言模型在图表理解领域的进步。

三维空间感知是自动驾驶和机器人领域的核心能力，旨在从二维图像恢复真实世界的空间结构。Meta与普林斯顿大学提出的VLM³框架，基于标准视觉语言模型，统一了物体级三维理解和公制深度估计等任务，显著提升了模型在细粒度三维感知中的表现。研究表明，通用视觉语言模型在三维表征能力上超出预期，为三维视觉领域的统一基础模型提供了新依据。

星海图提出的G0.5模型将视觉语言模型与动作生成统一为单一自回归序列，通过共享权重实现推理与动作的耦合，提升机器人控制效率。该模型采用可学习的动作分词器和视觉记忆模块，优化动作生成过程，减少离散化负担，能够在零样本条件下分解任务，直接生成动作，增强对复杂场景的适应能力。

MIT和IBM研究人员开发了ChartNet数据集，包含超过一百万种多样化图表，旨在提升视觉语言模型对图表的理解能力。该数据集通过合成数据生成，帮助小型企业利用AI进行商业趋势分析和科学数据解读。研究表明，使用ChartNet训练的开源模型在图表提取和总结任务上优于大型商业模型。

GR00T N1.6和N1.7是NVIDIA开发的视觉语言模型（VLM），用于机器人控制。N1.6改进了模型结构，支持灵活分辨率，并引入新数据集；N1.7在此基础上增强了模型的泛化能力，并在大量人类视频数据上进行预训练，提高了机器人控制的精确性和效率。

大华股份在南京发布了无人机智能巡检大模型一体机，专注于水域安全监管。该设备结合视频AI算法和视觉语言模型，能够智能识别违章建筑和违规船只，提升巡检效率，采用双模型架构，确保实时检测与高准确性。

WRING是一种新型去偏见技术，通过调整模型中特定坐标的表示方式，减少目标概念的偏见，同时不增加其他领域的偏见。该方法高效且无需重新训练模型，适用于视觉语言模型（VLM），如CLIP模型。研究表明，WRING在减少偏见方面效果显著。

本文探讨了模型内部信息的探测及其潜在的信息泄露风险。通过对视觉语言模型的研究，比较了不同表示层级的信息保留情况，发现顶级logit值可能泄露与任务无关的信息。此外，文章讨论了静态残差变换在自回归生成中的效率与生成质量之间的权衡。