arXiv 发布 MDU 多语言文档理解基准，45 个视觉语言模型参评
原文标题：Benchmarking Multilingual Document Understanding in Vision-Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究团队推出 MDU 基准，包含 23146 个样本、13 项任务和英法德意西五种语言，评测 45 个开源权重视觉语言模型及一个商业系统。最佳平均分仅 69.0，且最强结果来自 27B 模型而非最大模型，语言间差距不随规模扩大而收敛。
AI 处理过程展开/收起
相关推荐
Neuro-VL 神经影像视觉语言模型发布，诊断表现超 OpenAI 与谷歌前沿模型
AI 摘要研究团队用近百万份常规临床神经影像研究训练视觉语言模型 Neuro-VL，可解读完整影像检查并用自然语言讨论所见。在内部与国际数据集上，其在异常诊断、定位、描述与生成放射报告方面优于通用前沿模型和专用医疗模型，并在抵抗误导性临床假设上强于 OpenAI 与谷歌的领先模型。
蚂蚁灵波发布 LingBot-Touch 触觉基础模型并开源
AI 摘要蚂蚁灵波发布 LingBot-Touch 触觉基础模型，基于近 5000 小时真实触觉数据预训练，覆盖磁触觉、视触觉与压阻式三类传感原理，可将不同信号统一为同一套触觉表征。该模型补齐机器人精细操作所需的触觉感知，技术报告、模型与代码已在 Hugging Face、GitHub 和魔搭开源。
谷歌发布 Gemini Omni 1.2 Flash 视频模型，单段时长增至 15 秒
AI 摘要谷歌推出 AI 视频生成模型 Gemini Omni 1.2 Flash，原生支持最长 15 秒视频，较上一代提升 50%，并新增多轮对话式编辑能力。新模型增强了对参考内容的遵循，可在多镜头间保持角色、物体与场景一致性，减少视觉漂移。
OpenAI发布图像模型Images 2.6，生成提速50%并新增GIF功能
AI 摘要OpenAI发布图像生成模型Images 2.6，面向全球用户在ChatGPT、Codex及API开放。生成速度较上版提升50%，增强多轮编辑的细节与角色、产品、品牌一致性，并新增GIF循环动画生成。API提供Flare与Sunburst两个版本。