vlm

【AIGC行业前沿】2026年6月AIGC行业前沿模型发布动态（6月8日-6月14日）目录：1、剪映首发 Seedance 2.0 系列新模型剪映通过官方小红书账号官宣，将于15日首发上线Seedance 2.0新模型。官方表示该模型相较前代生成速度更快、使用成本更低，首发期间将同步推出折扣优惠，目前官方正通过社交平台发起互动，邀请用户猜测具体折扣力度。参考链接：https://www.xiaohongshu.com/user/profile/5cc0829f000000001100e8e0

VLM (1): VLM 一般知识点总结 + VLM重点梳理我们可以看到有如下关系 LLM: text tokens → text tokens VLM: image tokens + text tokens → text tokens VLA: image tokens + text tokens + robot state/history → action tokens / continuous actions 笔者在看很多vla 的论文时, 看到 VLM 是很多机器人和自驾的核心. 所以接下来会深入vlm 进行学习

超人也会哭️呀

视觉模型中的坐标漂移之前提过，我们搞了个企业级知识库系统，结果文档解析时总出幺蛾子——时不时就报错"解析失败"。我这人对 Bug 的容忍度基本为零，决定死磕到底。

【AIGC行业前沿】2026年5月AIGC行业前沿模型发布动态（5月25-5月31）1、SpaceXAI 完成 Grok V9-Medium 模型训练并公布开源规划 2、OpenBMB 推出开源小模型 MiniCPM5-1B，登顶2B以下模型榜单 3、快手Kwai-Keye开源Keye-VL-2.0-30B-A3B超长视频理解多模态模型 4、PrismML 发布轻量化图像生成模型Bonsai Image 4B，适配本地终端设备 5、微软推出MAI-Image-2.5文生图模型，登顶行业榜单前三 6、OpenMOSS 发布语音与音效双模型，升级多语种合成与高保真音效生成能力 7、NVIDI

ROS2+Gazebo+VLM服务：纯仿真环境下的具身智能闭环系统｜大脑-小脑分离控制上一篇创建环境和代码框架基础可以见《ROS2+Gazebo+VLA占位服务：纯仿真环境下的具身智能闭环实现》（https://blog.csdn.net/weixin_55221858/article/details/156659624），本次把占位服务替换为VLM服务，读者有能力的话也可以自己训练能直接输出动作的VLA模型，实现真正的VLA端到端服务。

Qwen3-VL-Seg 深度解读：当多模态大模型学会“像素级精准手术“论文: Qwen3-VL-Seg: Unlocking Open-World Referring Segmentation with Vision-Language Grounding

多模态模型Qwen-3.5在Llama-Factory使用+llama.cpp量化导出+部署流程（含报错处理）可以去huggingface或hf-mirror镜像站等下载Qwen3.5的模型，比如https://huggingface.co/Qwen/Qwen3.5-0.8B/tree/main 或https://hf-mirror.com/Qwen/Qwen3.5-0.8B/tree/main下载模型相关文件，保存到合适路径，比如/Users/Zhuanz/Desktop/work/Qwen3.5/model

【VLM】结合Python沙箱的以图思辨S1-VL模型【多模态推理大模型进展】基于Qwen3-VL-32B-Thinking做的面向数学、物理、化学、天文、地理、生物六大学科的科学多模态推理模型，主要特点是Python 沙箱执行图像裁剪、缩放、标注等代码，多轮迭代推理。S1-VL: Scientific Multimodal Reasoning Model with Thinking-with-Images，https://arxiv.org/pdf/2604.21409，https://huggingface.co/ScienceOne-AI，https:

《VLA 系列》Humanoid Everyday | 人形机器人 | 开源数据集Humanoid Everyday 是首个面向开放世界的人形机器人，大规模多模态数据集，涵盖260个真实场景任务、超1万条演示轨迹与300万帧30Hz高频数据，覆盖基础操作、移动操作、人机交互等七大技能类别，

【VLA】Vision Language Action世界模型是智能体（Agent）内部对环境动态（dynamics）的可学习、可推理的内部表征或模拟器。它能预测“如果我执行某个动作，环境会如何变化”。

空间理解 SITI 数据集 | 格式转换 | Lora微调 | VLM 大模型本文分析使用空间理解 SITI 数据集，进行VLM的Lora微调微调，包括数据格式转换、多图像VQA微调、视频VQA微调。

【VLM】HopChain视觉语言推理多跳数据合成框架这篇论文提出了HopChain，一个可扩展的框架，用于合成多跳视觉语言推理数据，以改进VLMs的可验证奖励强化学习（RLVR）训练。具体来说：

【VLM】Qwen3-VL-SFT微调简要流程1. alpaca-gpt4-data-zh (中文指令数据)2. la_te_x_ocr (LaTeX公式OCR)

【VLM】Qwen3-VL模型架构和训练流程链接：https://arxiv.org/pdf/2511.21631模型家族包含密集型（2B/4B/8B/32B）与混合专家（Mixture-of-Experts, MoE）两种架构（30B-A3B/235B-A22B），以适应不同延迟-质量权衡需求。

AI时代之向量数据库概览向量数据库作为AI时代的新型基础设施，正迅速成为处理非结构化数据的核心工具。随着大模型技术的普及，企业越来越依赖向量数据库实现语义检索、知识库增强(RAG)、智能推荐等应用。本文将全面解析主流向量数据库产品，包括其开发商背景、适用场景、优缺点分析及收费模式，帮助企业或开发者根据自身需求选择最合适的向量数据库解决方案。

一个处女座的程序猿

CV之VLM之LLM-OCR：《DeepSeek-OCR 2: Visual Causal Flow》翻译与解读CV之VLM之LLM-OCR：《DeepSeek-OCR 2: Visual Causal Flow》翻译与解读

深入解析 π₀ 与 π₀.5：Physical Intelligence 的机器人基础模型演进本文详细对比分析 Physical Intelligence 公司发布的两代视觉-语言-动作（VLA）模型：π₀ 和 π₀.5，从设计目标、模型架构、训练方法、数据策略等多个维度进行深入解读。

国家一级假勤奋大学生

InternVL系列 technical report 解析论文链接： [2312.14238] InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks

具身智能之心

ICLR 2026中稿工作VLASER: 究竟哪些多模态能力和数据对提升机器人的控制表现最关键？在具身智能（Embodied AI）的浪潮中，研究界致力于将强大的视觉-语言模型（VLM）转化为具备机器人操控能力的 Vision-Language-Action (VLA) 模型。然而，这一转化过程面临着一道巨大的“鸿沟”：上游 VLM 通常依托海量互联网数据预训练，拥有卓越的通用推理能力；而下游 VLA 却需要在具体的物理环境中实现精准的动作控制。

《VLA 系列》从 VLM 到 VLA 机器人控制，关键的多模态数据和能力是什么？| Vlaser | ICLR 2026Vlaser 是一款基于 InternVL3 构建的视觉-语言-行动（VLA）模型，核心亮点是集成协同具身推理与端到端机器人控制能力。