OpenAI Developers@OpenAIDevsWe've fixed a bug that was degrading image understanding in GPT-6 Sol and GPT-6 Luna. You should now…
DịchOpenAI đã sửa lỗi kỹ thuật ảnh hưởng đến khả năng xử lý hình ảnh của GPT-6 Sol và GPT-6 Luna. Người dùng hiện có thể trải nghiệm kết quả chính xác hơn trên các tác vụ thị giác và tính năng computer use thông qua API và Codex.
Nhóm nghiên cứu từ ĐH Giao thông Thượng Hải giới thiệu LIFT, phương pháp cho phép mô hình VLA học cách phản ứng với lực thông qua hậu huấn luyện trực tuyến, giúp cải thiện đáng kể hiệu suất thao tác vật lý mà không làm mất đi kiến thức thị giác sẵn có.
Benchmark FAB từ Epoch AI cho thấy OpenAI GPT-6 Astra dẫn đầu với 80% độ chính xác trong việc phát hiện lỗi lắp ráp nội thất, vượt qua Claude Fable 5.1 (70%) và Claude Opus 5 (61%).
Cùng sự kiện, bài đại diện «GPT-6 Astra của OpenAI đạt độ chính xác 80% trong việc phát hiện lỗi lắp ráp nội thất IKEA»GPT-6 Astra đã vượt qua bài kiểm tra Furniture Assembly Benchmark (FAB) của Epoch AI với độ chính xác 80%, giúp người dùng nhận diện chính xác các lỗi sai khi tự lắp ráp đồ nội thất IKEA chỉ trong 3 phút mỗi ảnh.
Thêm 1 nguồn khác đưa tinIT HomeLiquid AI giới thiệu LFM2.5-VL-3B-DSpark, mô hình dự đoán (draft model) giúp tăng tốc giải mã cho LFM2.5-VL-3B lên 3,13 lần trên Apple silicon và 2,66 lần trên NVIDIA H100.
RGBD20K cung cấp 20.000 cặp ảnh RGB-D với 160 lớp chi tiết, vượt xa các bộ dữ liệu cũ như NYUv2 hay SUN RGB-D. Nghiên cứu cũng giới thiệu phương pháp SPF giúp đạt hiệu suất SOTA trong phân đoạn ngữ nghĩa.
AdaRoboVLG giải quyết thách thức gắp vật thể phức tạp bằng cách tách biệt hiểu biết nhiệm vụ và kỹ thuật gắp, cho phép robot thích ứng linh hoạt với nhiều loại tay máy và tình huống khác nhau mà không cần huấn luyện lại.
Nghiên cứu giới thiệu IDQD-RDO, phương pháp sử dụng ước tính Hessian ngẫu nhiên để tối ưu hóa các chỉ số chất lượng ảnh như MS-SSIM và LPIPS trong mã hóa VVC, giúp tiết kiệm 14.2-36.7% BD-rate mà không cần thay đổi bộ giải mã.
Elvis Saravia@omarsar0Not sure what model Space Bunny is, but I am impressed. I had a chance to test it this week. It's …
DịchSpace Bunny gây ấn tượng với khả năng hiểu hình ảnh, hỗ trợ cửa sổ ngữ cảnh 1M token và tự kiểm chứng kết quả. Mô hình này xuất sắc trong việc chuyển đổi bản vẽ tay thành mã nguồn, tạo mô hình 3D, hoạt ảnh và các trò chơi tương tác.
Liquid AI giới thiệu mô hình drafter LFM2.5-VL-DSpark với 280 triệu tham số, giúp tăng tốc độ giải mã trên thiết bị biên lên 3,13 lần và trên GPU lên 2,66 lần mà chỉ tốn thêm 8,9% tài nguyên.
Cùng sự kiện, bài đại diện «Liquid AI ra mắt LFM2.5-VL-DSpark: Tăng tốc suy luận cho mô hình đa phương thức»Nghiên cứu giải quyết vấn đề suy giảm hiệu suất của các bộ mã hóa RAE bằng cách chuyển sang tham số hóa dữ liệu sạch (x0-prediction), giúp tập trung học tập vào cấu trúc đa tạp tín hiệu thay vì nhiễu, từ đó cải thiện đáng kể chất lượng tạo ảnh từ văn bản.
Thêm 1 nguồn khác đưa tinX: AK (@_akhaliq)Spatial-Interactor là khung huấn luyện mới giúp các mô hình ngôn ngữ thị giác (VLM) hiểu được sự thay đổi trạng thái vật lý thông qua các quỹ đạo tương tác, thay vì chỉ dựa vào các câu hỏi tĩnh truyền thống.
HARMONY kết hợp suy luận tác tử (agentic reasoning) và mô hình hình học thị giác để tái tạo cảnh 3D từ một ảnh đơn, giải quyết bài toán về mối quan hệ không gian và độ trung thực của vật thể.
Epoch AI@EpochAIResearchCan AI tell if you've built your IKEA furniture wrong? Our new benchmark, the Furniture Assembly Ben…
DịchEpoch AI giới thiệu Furniture Assembly Benchmark (FAB), thử thách khả năng của AI trong việc phát hiện lỗi lắp ráp nội thất dựa trên hướng dẫn và hình ảnh thực tế. Hiệu suất của các mô hình đã tăng vọt từ 28% lên 80% chỉ trong 10 tháng.
ImIR sử dụng các vector hướng dẫn liên tục từ chính ảnh bị hỏng để điều khiển mô hình Qwen-Image-Edit, cho phép phục hồi đa tác vụ chỉ với một adapter duy nhất được huấn luyện siêu tốc.
ZHO@ZHO_ZHO_ZHONghiên cứu 'Look Light, Think Heavy' chỉ ra rằng các mô hình AI như GPT-6 đang dần bỏ qua chi tiết hình ảnh để tập trung vào suy luận ngôn ngữ, dẫn đến sự đứt gãy trong khả năng hiểu thực tế.
StableVQ giới thiệu ba cải tiến kỹ thuật giúp giải quyết vấn đề mất ổn định khi huấn luyện bộ mã hóa-giải mã và codebook, từ đó nâng cao chất lượng tái tạo hình ảnh mà không cần thêm tham số học tập.
ALPINE là kiến trúc phân loại ảnh siêu nhẹ, đạt độ chính xác vượt trội so với các mô hình truyền thống như MAML hay Prototypical Networks dù sử dụng ít tham số hơn tới 53% và hội tụ nhanh hơn.
Nghiên cứu giới thiệu ScriptMoE, mô hình nhận diện văn bản đa ngôn ngữ hiệu quả hơn các mô hình ngôn ngữ thị giác lớn (VLM) nhờ kiến trúc chuyên gia và bộ dữ liệu tổng hợp quy mô lớn TextMuSS-10M.
GAE là bộ mã hóa tự động mới giúp hợp nhất nhận thức và tạo hình ảnh 3D, cho phép các mô hình tạo sinh duy trì tính nhất quán về hình học, chiều sâu và góc quay thay vì chỉ tập trung vào ngoại hình.
Segment-Snap là phương pháp mới giúp máy tính hiểu cách tương tác với vật thể 3D bằng cách liên kết các bộ phận chuyển động với tay cầm, giúp dự đoán chuyển động chính xác mà không cần huấn luyện bộ hồi quy phức tạp.
Cognex dự kiến hoàn tất thương vụ mua lại mảng camera 3D RealSense của Intel vào cuối năm 2026 với giá 500 triệu USD, đồng thời triển khai gói đãi ngộ hơn 100 triệu USD để giữ chân nhân sự chủ chốt.
TAPe+ML v3 là hệ thống thị giác máy tính đột phá với chưa đầy 100.000 tham số, sử dụng lý thuyết nhận thức chủ động để xử lý hiệu quả các tác vụ phân loại, phát hiện vật thể và phân đoạn ảnh với độ chính xác ấn tượng.
ShieldVLA là khung tinh chỉnh mới giúp robot vận hành an toàn hơn bằng cách học hàm giá trị khả năng tiếp cận Hamilton-Jacobi trực tiếp từ dữ liệu hình ảnh, giúp phân tách tối ưu hóa phần thưởng và vùng hoạt động an toàn.
Nhóm nghiên cứu từ Fudan, Wan và CUHK đã công bố bài tổng quan toàn diện về Agentic Visual Generation, thiết lập khung phân loại mới cho các hệ thống AI có khả năng tự ra quyết định, chỉnh sửa và học hỏi kinh nghiệm trong quá trình tạo nội dung thị giác.
Mira-Scene là khung tái tạo cảnh 3D mới, sử dụng bản đồ tọa độ chính tắc (CCM) để ánh xạ điểm ảnh vào không gian vật thể, giúp sắp xếp các đối tượng 3D vào cảnh một cách chính xác và chi tiết hơn so với các phương pháp truyền thống.
Grounded Action Model (GAM) là mô hình robot mới giúp máy móc hiểu rõ vị trí và hình học 3D của vật thể thay vì chỉ học ngầm định từ dữ liệu, giúp việc điều khiển chính xác và hiệu quả hơn thông qua các lệnh ngôn ngữ hoặc hình ảnh.
HuRo là phương pháp mới giúp chuyển đổi video hành động của con người thành dữ liệu điều khiển robot, tạo ra tập dữ liệu khổng lồ với 630.000 tập mẫu để huấn luyện các mô hình VLA hiệu quả hơn.
WorldCrafter giải quyết vấn đề thiếu nhất quán trong video dài bằng cách sử dụng bộ nhớ 3D ẩn, cho phép tạo video từ ảnh hoặc văn bản với độ chính xác cao về góc quay và bối cảnh.
Thêm 1 nguồn khác đưa tinX: AK (@_akhaliq)Các nhà nghiên cứu từ Tencent và Đại học Thâm Quyến giới thiệu ForgeryVCR, một khung tác tử AI giúp chuyển đổi việc xác thực hình ảnh từ mô tả văn bản sang suy luận dựa trên bằng chứng thị giác trực tiếp, giúp phát hiện ảnh giả mạo chính xác hơn.
RefineEdit là khung chỉnh sửa ảnh mới giúp thay đổi nội dung theo yêu cầu mà vẫn giữ nguyên các chi tiết gốc, bằng cách kết hợp định vị chỉnh sửa với tạo nội dung thông qua mã nhị phân toàn cục mà không cần huấn luyện lại.
OmniVChat giới thiệu phương thức tương tác trực tiếp giữa người dùng và mô hình AI thông qua âm thanh và video mà không cần chuyển đổi văn bản, giúp giảm độ trễ và giữ trọn vẹn các tín hiệu cảm nhận.
Nghiên cứu đề xuất khung mã hóa thưa tích chập (CSC) có khả năng tự học hệ số thưa thông qua thuật toán FISTA, giúp cân bằng hiệu quả giữa việc nén dữ liệu và bảo toàn thông tin quan trọng cho các tác vụ thị giác máy tính.
MintAct là dòng mô hình ngôn ngữ-thị giác đa quy mô, có khả năng điều hướng và sử dụng công cụ trên cả di động, máy tính và web với hiệu suất tương đương các chuyên gia riêng biệt.
Nghiên cứu giới thiệu phương pháp Movement Trend Guidance giúp mô hình AI dự đoán xu hướng tương tác trong tương lai mà không cần lập kế hoạch chi tiết, giúp robot thao tác chính xác hơn dựa trên lịch sử quan sát.
AK@_akhaliqQwen-Image-2.1 is out on Hugging Face app: https://huggingface.co/spaces/akhaliq/Qwen-Image-2.1
DịchMô hình xử lý hình ảnh Qwen-Image-2.1 vừa được ra mắt trên nền tảng Hugging Face, cho phép người dùng trải nghiệm trực tiếp các tính năng mới nhất.
Qwen-Image-2.1 tích hợp tạo và chỉnh sửa ảnh trong một mô hình 7B nhỏ gọn, hỗ trợ tạo ảnh nền trong suốt và sử dụng tới 10 ảnh tham chiếu để giữ độ trung thực cho sản phẩm và nhân vật.
Cùng sự kiện, tinh chọn hiển thị «Alibaba ra mắt Qwen-Image-2.1: Mô hình 7B tích hợp tạo và chỉnh sửa ảnh trong một checkpoint»VBVR-Pro cung cấp bộ 300 tác vụ suy luận thị giác cùng cơ chế chấm điểm tự động, giúp tối ưu hóa khả năng tư duy không gian và logic cho các mô hình đa phương thức thông qua học tăng cường.
SenseNova U1.5 là mô hình thị giác hợp nhất 8B-MoT không cần bộ mã hóa ngoài, hỗ trợ tạo ảnh 4K và công khai mã nguồn huấn luyện SFT, RL cùng kỹ thuật chưng cất mô hình.
PolaFormer++ cải tiến cơ chế chú ý tuyến tính bằng cách tối ưu hóa ánh xạ đặc trưng thông qua tính toán phân cực và độ nhọn cấp kênh, giúp đạt hiệu suất vượt trội trên nhiều tác vụ thị giác máy tính.