VisionThink 利用強化學習自主學習減少視覺 token。與傳統的高效 VLM 方法相比，這方法在
微粒度基準測試（例如涉及 OCR 相關任務的基準測試）上取得了顯著的提升。

由香港中文大學，香港大學，科技大學大聯合開發

nanoVLM 是一種極簡輕量級的視覺語言模型 (VLM)，專為高效的訓練和實驗而設計。使用純 PyTorch 構建，整個模型架構和訓練邏輯大約需要 750 行程式碼。它將基於 ViT 的圖像編碼器（SigLIP-B/16-224-85M）與輕量級因果語言模型（SmolLM2-135M）相結合，形成了一個緊湊的 222M 參數模型。該模型使用來自 cauldron 資料集的 170 萬個樣本在單一 H100 GPU 上訓練約 6 小時後，在 MMStar 上實現了 35.3% 的準確率，這使其成為低資源 VLM 研究的強大基線。

olmOCR 是一個開發的開源工具包，可以將 PDF 文件轉換為適合大型語言模型作為訓練用途，或者用作創建線性文本數據集。olmOCR 可以相當準確提取 PDF 中的文字內容，表格、及方程式，甚至能夠準確識別手寫內容。

Google PaliGemma 2 mix 是 Gemma 系列中的一個升級版視覺語言模型，能夠處理多種任務。PaliGemma 2 mix 能夠直接用於大部份常見的場景，提供了不同大小的模型，分別為（3B、10B 和 28B 參數），解析度亦有兩種模式，分別是（224 和 448 像數）。模型擅長處理短文和長文的生成、光學字符識別、影像問答、物件偵測和影像分割等任務，並且可以搭配 Hugging Face Transformers、Keras、PyTorch、JAX 和Gemma.cpp 等工具使用。

 Yolo v12 是第一個以注意力機制為核心的 YOLO 模型，它將 CNN 和 Transformer 結合，以實現超高速的準確物件檢測。目前注意力機制在訓練模型時侯的能力，已經超越卷積神經網路（CNN），而 YOLO 過往只著重 CNN 的改進。YOLO v12 今次嘗試兼顧注意力機制的優點和 CNN 的準確度，透過引入區域注意力模組（Area Attention Module）和高效層聚合網路（R-E LAN），可以保證速度的同時，亦提升檢測的準確性。YOLO 是什麼