IXThinker·2025-06-10 20:50

像素空間推理問世：7B模型領先GPT-4o

滑鐵盧大學、港科大與中科大研究團隊提出「像素空間推理」，首次把視覺語言模型的推理戰場從文本空間拓展到像素空間，讓模型像人類一樣「眼腦並用」，7B模型表現領先GPT-4o。

文本繭房

當前主流VLM依賴文本token間接翻譯視覺資訊，被困於「文本繭房」：面對高清圖像中的微小物體、影片中的動態細節，往往因缺乏直接視覺操作能力而視而不見。