标签索引

视觉语言模型

这个标签下有 5 篇文章。按时间回看相关判断与实践记录。

标签精选

基于视觉语言模型：新工具实现卫星图像“文本搜物”与实时分析

这款名为“卫星分析工作区”的演示工具展示了最新的地理空间计算机视觉技术。用户无需注册，即可在高分辨率地图上通过输入“车辆”、“储罐”或“桥梁”等文本提示词，利用视觉语言模型实时检测并识别地面物体。该工具旨在展示其云端推理引擎的速度与精度，虽...

2026-03-131 分钟阅读119 阅读

GitHub开源仓库rednote-hilab/dots.ocr发布了1.5版本，该工具基于单一视觉-语言模型，在多语言文档布局解析方面达到了SOTA（最先进）水平。此次更新的核心亮点在于创新性地支持将文档中的图表直接转换为可编辑的SVG代...

2026-02-161 分钟阅读333 阅读

实证评估是指导基础模型研究进步的主要指南。尽管大量工作专注于训练前沿视觉语言模型（VLMs），但评估方法仍处于早期阶段。为引导其成熟，研究者提出评估应满足三个关键标准：忠实性（对模态和应用）、可区分性（区分不同质量模型）和效率（计算效率）。...

2026-01-071 分钟阅读224 阅读

AI视觉标注冷启动：零样本解决数据荒一、问题传统标注的三座大山： – 时间成本：万张图片需要数月人工 – 金钱成本：专业标注员时薪$15-50 – 专家依赖：医疗/工业场景需要领域专家冷启动困境：没...

2025-12-266 分钟阅读324 阅读

肉包Roubao是一款开源的Android自动化助手，基于视觉语言模型技术，无需连接电脑即可实现手机自动化操作。该项目已在GitHub开源，获得了开发者社区的积极讨论。这款工具将AI技术与移动自动化相结合，为用户提供了一种全新的手机操作方式...

2025-12-111 分钟阅读378 阅读