近年来，随着大型语言模型（LLMs）的快速发展，多模态理解领域取得了前所未有的进步。像 OpenAI、InternVL 和 Qwen-VL 系列这样的最先进的视觉-语言模型（VLMs），在处理复杂的视觉-文本任务时展现了卓越的能力。
是的，Rabbit，那个一度声名鹊起的第一代 AI 硬件公司，下场做 AI Agent 了。
去年 Anthropic 发布 Computer Use 的时候，引发了一次大家对 AI agent 的想象。
在InternVL-2.5上实现10倍吞吐量提升，模型性能几乎无损失。
清华智能产业研究院（AIR）博三在读，去年六月份，出于对语言模型 LLM 的强烈兴趣，加入了字节 as Top Seed Intern，在人工智能的最前沿进行探索。刚好这个话题和我现在做的工作强相关，我分享一下自己的观点和亲身体验。
在实际应用过程中，闭源模型（GPT-4o）等在回复的全面性、完备性、美观性等方面展示出了不俗的表现。
这项最新研究，由北京师范大学和南开大学的研究者们共同完成，于2025年发表于Internet Interventions 上,你只需要写一封信，写给自己，然后让ChatGPT 来给你一点反馈。不用约时间、也不用担心费用，只要在屏幕上敲下几行字，焦虑竟然真的能减少。
OpenAI o1大火之后，国内外上演的AI推理能力竞赛可以说是2024下半年AI领域最大看点了。
尽管近期 Qwen2-VL 和 InternVL-2.0 的出现将开源多模态大模型的 SOTA 提升到了新高度，但巨大的计算开销限制了其在很多场景下的应用。
原生多模态大模型性能瓶颈，迎来新突破！ 上海AI Lab代季峰老师团队，提出了全新的原生多模态大模型Mono-InternVL。 与非原生模型相比，该模型首个单词延迟最多降低67%，在多个评测数据集上均达到了SOTA水准。
