英伟达发布Nemotron 3.5系列新模型，包括120B参数的视觉语言模型Super VL，面向企业智能体，支持图像和视频输入，速度与效率突出，但部分基准测试逊于Qwen。同时推出两款小型Bolt模型，可在笔记本本地运行编码、研究等任务，其中74B-A9B已发布，E4B 4GB版稍后推出。模型已在Hugging Face开放下载，允许商用。

论文提出Show-Harness具身控制框架，使视觉语言模型通过离散语义动作单元直接操控机器人，无需微调即可零样本控制，少量微调可适配小模型；并提出GUMI界面，支持人类与智能体在统一动作空间采集示教数据，实现跨形态复用与协同采集。

Video-to-BT框架利用视觉语言模型将人类示教视频分解为子任务并生成行为树，结合实时场景感知与反应式控制执行机器人装配。系统通过世界状态监控和恢复机制应对动态扰动，失败时触发重新规划，并引入人在回路验证，提升长时程装配任务的泛化性与鲁棒性。

VLX-Seek是OmAI Lab推出的细粒度视觉语言模型，面向机器人、无人机等边缘具身视觉场景，结合语言理解与区域级视觉感知，支持目标定位、指代理解、区域OCR、描述与计数，并引入目标缺失拒识机制，为具身智能连接环境感知与行动决策提供基础能力。

研究比较11种票据抽取系统，发现微调开源视觉语言模型在合成支票上F1超0.98，无需都用最大模型。选型应依据版式稳定性与错误代价：固定模板可用OCR加规则，版式多变再用VLM，样本多且字段稳定才值得微调。建议用真实文档分层测试，按字段设阈值，低置信度转人工，并保留规则基线和回归集。

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。