7月9日，昆仑万维发布并开源Skywork-R1V 3.0，其多模态推理能力逼近人类专家水平。新版本通过强化学习策略显著提升跨模态推理能力，在复杂逻辑建模和跨学科泛化上表现优异。模型基于InternVL-38B蒸馏数据训练，仅用约1.2万条监督微调样本和1.3万条强化学习样本，实现高效训练。在权威评测中，Skywork-R1V 3.0取得多项领先成绩：MMMU评测达76.0分，超越Claude-3.7-Sonnet和GPT-4.5；EMMA-Mini(CoT)评分40.3分，居开源模型首位；数学、物理、逻辑等领域均表现出色，部分指标超闭源模型。目前，模型已开放下载，涵盖HuggingFace、GitHub等平台。

标题：自变量机器人：统一框架下的具身多模态推理 正文：当熟练的木匠拿起锤子时，锤子仿佛消失了，因为它已融入使用者的本能。然而，最先进的机器人仍需反复识别工具并规划使用，这种割裂的认知方式使它们无法达到人类的直觉水平。具身智能的突破需要架构革新，而非现有系统的修补。 自变量机器人提出，应摒弃多...

标题：AI连电路图都看不懂？SeePhys新基准暴击多模态短板，正确率仅55% 当前顶尖AI模型能否真正“看懂”物理图像？全新基准SeePhys给出了答案，结果显示顶级模型准确率不足55%。 SeePhys由中山大学、苏黎世联邦理工学院、华为诺亚方舟实验室和香港大学联合推出，涵盖从初中到博士资格考试...

标题：字节发布Seed1.5-VL多模态推理模型：轻量高效，表现卓越 正文：在60项主流基准测试中，字节发布的轻量级多模态推理模型Seed1.5-VL拿下了38项第一。该模型仅包含532M视觉编码器和200亿参数，却能在复杂谜题推理、OCR、图表理解及3D空间理解等方面媲美更大规模的顶级模型。 例如...

标题：o3深度解读：OpenAI发力，agent产品何去何从？ OpenAI在2025年Q1推出的新模型o3表现惊艳，其融合的tool use能力覆盖了agent产品常用场景。o3和Manus代表了两类技术路线：一种是将tool use内化到模型中，另一种则是通过外置框架完成任务。OpenAI计划让...

标题：Kimi 16B胜GPT-4o！开源视觉推理模型：MoE架构，推理时仅激活2.8B 刚刚，Kimi团队发布全新开源轻量级视觉语言模型Kimi-VL及其推理版Kimi-VL-Thinking，兼具多模态和推理能力。该模型基于MoE架构，总参数16B，但推理时仅激活2.8B。 与Qwen2...

8日，《科创板日报》报道，阶跃星辰正式推出多模态推理模型Step-R1-V-Mini。该模型支持图文输入与文字输出，具备优秀的指令遵循能力和通用性，可高精度识别图像并处理复杂推理任务。此模型的发布展示了阶跃星辰在多模态AI领域的技术突破，为相关应用提供了新的可能性。

3月18日，昆仑万维正式开源国内首个工业级多模态思维链推理模型Skywork R1V。该模型支持视觉与文本的多模态推理，具备顶尖的逻辑推理和数学分析能力，在MATH500和AIME测试中分别获94.0和72.0分。Skywork R1V在视觉推理任务上表现出色，MMMU和MathVista基准得分达69和67.5。其核心技术包括文本推理向视觉任务的高效迁移、多模态混合式训练方法以及自适应长度思维链蒸馏，这些创新提升了模型的精度与泛化性能。模型权重及技术报告现已开源，分别可通过Hugging Face和GitHub获取。

标题：AI写代码新姿势：一个截图，代替千行代码 正文： 现在写代码，最时尚的“姿势”应该是截图。只需截取网页的一部分，附上Prompt：“参考这个页面，生成一个类似的HTML页面。”AI就能快速生成代码。 这项功能由商汤在GDC中发布的办公小浣熊2.0实现。它不仅简化了前端程序员的工作，也让编程小白...

在AI领域持续关注与学习过程中，我发现大模型的研究潜力巨大。为验证这一观点，我进行了几个实验。首先，尝试多模态推理方法，利用文字与图形信息协同进行推理。结果显示，大模型对于形式简单的家族图谱问题能够有效解决，例如，通过一张展示张三与其他人关系的图谱，询问“小杰如何称呼张三”，大模型能给出正确答案。 ...