谢赛宁团队发布MetaCLIP 2模型，支持300多种语言，打破“多语言诅咒”，并提升英语性能。该模型通过扩展元数据、优化筛选算法和调整训练策略，解决了非英语数据处理难题，并在多项任务中创下新SOTA。实验显示，其在ImageNet分类准确率达81.3%，超越纯英语CLIP的80.5%；在多语言图像分类和跨语言检索任务中表现突出。此外，模型嵌入质量更优，在文化多样性任务中表现显著提升。相关论文与代码已开源。

2025年7月，Kimi K2官方技术报告发布，揭示其训练秘籍。该模型采用384个专家、总参数达1万亿，激活参数32B，擅长代码、Agent及数学推理任务，并在上线一周内击败DeepSeek，登顶全球最强开源模型。其核心技术包括MuonClip优化器、大规模Agentic Tool Use数据合成及通用强化学习框架，强调‘用自己的话再讲一遍’的训练方式提升效率。此外，阿里通义Qwen3-235B-A22B-2507版本更新，官方称性能超越Kimi K2，或成新王者。

6月4日消息，上海人工智能实验室联合清华大学、伊利诺伊大学香槟分校等国际团队，成功研发新方法解决强化学习中的策略熵崩溃问题。研究提出Clip-Cov和KL-Cov技术，通过裁剪高协方差token和施加KL惩罚维持熵水平。实验基于Qwen2.5模型和DAPOMATH数据集，在数学任务中，32B模型在AIME25测试中性能提升15.0%。该方法已在Qwen2.5、Mistral、LLaMA等多个开源模型上验证，参数规模覆盖0.5B至32B，涵盖数学和编程任务的8个公开基准测试。这项突破不仅解决熵崩溃难题，还为强化学习在语言模型中的应用提供理论支持，未来需进一步探索熵管理策略。

标题：FG-CLIP实现细粒度跨模态对齐，重塑AI视觉理解 360人工智能研究院发布的FG-CLIP模型解决了传统CLIP的“视觉近视”问题，通过“长文本深度理解”和“细粒度视觉比对”双突破，精准识别局部细节。实验显示，FG-CLIP在细粒度理解、开放词汇检测、图文检索等任务中均优于其他模型。 ...

2月21日，微软发布Visual Creator工具，集成Microsoft Clipchamp，可在几秒内生成AI视频。该工具面向拥有Copilot许可证的商业用户，建议企业各团队利用其制作培训及演示视频。用户只需输入提示词，Copilot自动生成脚本并从Clipchamp素材库中挑选素材，添加音乐和特效后生成视频。该工具使用现有素材，Clipchamp库中有500万张图片可供选择。目前，Visual Creator不生成新画面。

一张图实现街道级定位的大模型AddressCLIP入选ECCV2024 AddressCLIP项目组由中科院自动化所和阿里云共同研发，推出了一款端到端图像地理定位大模型，仅需一张照片即可实现街道级精度的定位。此模型名为AddressCLIP，基于CLIP架构，论文《Empowering Vision...

牛津大学和谷歌研究院合作的创新项目"CLIP as RNN (CaR)"在CVPR 2024会议上亮相。CaR是一个无需额外训练的技术，能够直接分割多种概念，如电影角色、地标和品牌，即使面对开放词汇。它利用循环神经网络结构，通过CLIP模型的循环调用来生成和筛选掩码，逐步提高分割精度。 关键优势包括： 1. 不依赖额外训练数据，无需掩码注解或大量图像-文本数据。 2. 保持开放词汇能力，不受限于预训练VLM的微调。 3. 能处理文本查询中图像内不存在的概念，通过迭代优化提升分割质量。 CaR的设计灵感来源于RNN的隐状态，通过掩码提议生成器和分类器，反复评估和筛选，实现高质量的分割。研究显示，即使在零样本条件下，CaR在多项指标上也优于传统微调方法。 项目亮点在于其对复杂文本查询的处理和潜在的视频应用潜力，为开放词汇图像分割领域带来了重大突破。论文和项目详情可参考相关链接。