Flow4Agent——光流运动先验的长视频理解
引言： Flow4Agent 是首个将光流运动先验用于 LLM 视频理解的框架。核心创新包括：（1）时间粒度优化（TGO）：利用粗光流聚类视频事件，结合语义先验筛选关键场景；（2）运动 Token 剪枝（MTP）：利用细粒度光流剪枝帧内冗余 token。在 Video-MME 达到 64.7%，MLVU 达到 71.4%，LongVideoBench 达到 60.4%，均
choucisan's blog
RAFT——光流估计算法
引言： RAFT（Recurrent All-Pairs Field Transforms）是一种用于光流估计的深度网络架构。核心创新包括：（1）全对相关体积：构建所有像素对的 4D 相关体积，同时捕获大位移和小位移；（2）循环更新算子：基于 GRU 的轻量级更新模块，仅 2.7M 参数即可迭代 100+ 次；（3）单分辨率流场：避免粗到细级联的局限性。在 KITTI 上
Ovis2.5——技术报告详解
引言： Ovis2.5 是阿里国际推出的新一代视觉语言模型，基于 Ovis 架构迭代开发。核心改进包括：（1）原生分辨率感知：用 NaViT 替代固定分辨率 ViT，消除破坏性分块，保留全局结构和细粒度细节；（2）深度推理能力：引入可选的「思考模式」，通过反思导向数据训练实现自纠和修订。Ovis2.5-9B 在 OpenCompass 达到 78.3 平均分，Ovis2.
GLM-5——技术报告详解
引言： GLM-5 是智谱 AI 和清华大学联合推出的新一代基础模型，通过 DSA（DeepSeek Sparse Attention）显著降低训练和推理成本，采用异步强化学习基础设施实现高效后训练，提出异步 Agent RL 算法提升智能体决策质量。在 8 个 ARC（Agentic、Reasoning、Coding）基准上平均超越 GLM-4.7 约 20%，Inte
Seed1.5-VL——技术报告详解
引言： Seed1.5-VL 是字节跳动 Seed 团队推出的视觉语言基础模型，由 532M 参数的视觉编码器和 20B 激活参数的 MoE LLM 组成。在 60 个公开基准上取得 38 个 SOTA，包括 21/34 视觉语言基准、14/19 视频基准和 3/7 GUI 智能体任务。在 GUI 控制和游戏玩法等智能体任务上超越 OpenAI CUA 和 Claude
Kimi K2.5——技术报告详解
引言： Kimi K2.5 是 Moonshot AI 推出的开源多模态智能体模型，基于 Kimi K2 的万亿参数 MoE 架构，通过「文本-视觉联合优化」和「Agent Swarm 并行智能体框架」两大核心创新，在推理、编码、视觉理解、智能体任务等多个领域实现 SOTA 性能。Agent Swarm 在 WideSearch 上将推理延迟降低 4.5 倍，Browse
Kimi-VL——技术报告详解
引言： Kimi-VL 是 Moonshot AI 推出的高效多模态视觉语言模型，采用 MoE 架构实现参数效率与性能的平衡，仅 2.8B 激活参数（LLM）+ 0.4B（ViT）即达到与更大模型相当的性能。支持 128K 上下文窗口，在 24 个公开基准中的 19 个上超越 Qwen2.5-VL-7B（后者激活参数是 Kimi-VL 的 2.59 倍）。Kimi-VL-
Qwen3-VL——技术报告详解
引言： Qwen3-VL 是 Qwen 系列目前最强大的视觉语言模型，原生支持最多 256K token 的交错上下文（文本、图像、视频），在广泛的视觉语言基准上实现了领先性能。模型家族包含稠密模型（2B/4B/8B/32B）和 MoE 模型（30B-A3B/235B-A22B），在 MMMU、MathVista、DocVQA 等关键基准上超越 GPT-5 和 Gemin
