作者丨李傲 中国人民大学 近年来，以LLaVA、Qwen系列为代表的大视觉语言模型（LVLM）推动了多模态智能的发展，在视觉理解与推理任务中展现不错的表现。然而，其伴随着高昂的推理成本。面对高分辨率图像或者视频时，模型往往需要处理大量视觉Token，而这些Token会在整个推理过程中持续参与计算，成为制约模型效率的重要瓶颈。因此，如何识别并保留真正重要的视觉Token，在尽可能不影响性能的前...

来源：公众号“我爱计算机视觉” 原文链接：https://mp.weixin.qq.com/s/R7Pi6hgPWAXKJcNmEuJveA 近年来，视觉语言模型（Vision-Language Models, VLM）在图文理解、零样本识别和开放词汇感知上表现越来越强。随着模型参数规模和图文预训练数据不断增大，很多人自然会期待：这些大规模预训练视觉编码器也应该具备更强的细粒度感知能力。但在...

来源：公众号“AI上分搭子” 原文链接：https://mp.weixin.qq.com/s/M8hMiiMzQeIcRwwPe7eZ3Q Dense Video Object Captioning，简称 DVOC。 它想做的事很细： 这篇 CVPR 2026 论文走了一条很干净的路线。 先造数据。 作者用 Gemini 2.0 Flash 给 LVIS 和 LV-VIS 生成 object...

作者丨小雷哥 编辑丨岑 峰 美国当地时间6月5日，在结束了两天的Workshop议程后，全球计算机视觉与模式识别领域的顶级学术盛会 CVPR 2026（IEEE Conference on Computer Vision and Pattern Recognition）正会，在科罗拉多州丹佛市正式拉开帷幕。 随着开幕式各项重磅数据与大奖的揭晓，现场气氛被彻底点燃。 01 今年的学术圈格外忙碌...

稳定性，正在成为大模型落地的关键命题。 作者丨郑佳美 编辑丨马晓宁 当 AI 模型从“单次完成任务”走向真实世界部署时，真正的挑战不再只是参数规模和单点性能，而是模型能否在变化中保持稳定。 它要在持续出现的新类别中不遗忘旧知识，要从大规模真实数据中获得更强的泛化能力，要在多客户端、数据分布不断变化的环境下继续学习，也要把图像、视频和 3D 等不同视觉经验组织成统一理解。 这种变化也体现在 C...

机器人在新场景下失灵，根源不是不懂物理，而是空间表征错了——用极少参数校准这一层，就能打开通往原生世界动作模型的路。 作者丨张 璐 编辑丨齐铖湧 让机器人真正理解世界，需要更大的语言模型、更逼真的视频生成，还是别的什么？ 雷峰网(公众号：雷峰网)小编在中山大学与 X-Era AI Lab 团队的研究中f x了一个意外的答案：很多时候，机器人在新场景下失灵，不是因为它不懂物理，而是因为它"看到...