AI Briefing#vision-language-model
#vision-language-model와 관련된 AI·개발 뉴스를 최신순으로 모았습니다. 원문 출처와 한국어 요약을 함께 확인할 수 있습니다.
#vision-language-model와 관련된 AI·개발 뉴스를 최신순으로 모았습니다. 원문 출처와 한국어 요약을 함께 확인할 수 있습니다.
멀티모달 모델은 모달리티를 초기부터 함께 학습할 때 더 효과적으로 발전했다.
PaddlePaddle이 계층적 병렬 디코딩 기반 1B 문서 파싱 모델 HPD-Parsing을 공개해 OmniDocBench v1.6에서 94.91%로 최고 성능을 기록했다.
NVIDIA가 엣지 디바이스에서 실시간 추론이 가능한 4B 파라미터 규모의 월드 모델 Cosmos 3 Edge를 출시했다.
Vision-Language Model이 이미지 예시로부터 시각 개념을 추론하고 적용하는 VICIS 모델이 제안됐다.
DALL-E의 등장부터 VQ-VAE 기반 모델을 거쳐 LG AI 연구원의 L-Verse까지, Vision-Language 모델의 발전 과정을 살펴본다.
NLP의 성공을 따라 시각-언어 분야에서도 대규모 데이터와 인프라를 활용한 거대 모델 학습이 가속화되고 있다.
차트의 시각적 정보를 이해하고 복잡한 추론을 수행하는 범용 차트 이해 모델 ChartInstruct를 소개한다.
차트 이해와 추론 능력을 극대화하기 위해 Instruction Tuning을 적용한 범용 차트 비전-언어 모델 ChartInstruct를 소개한다.
Google이 Gemma 4의 채팅 템플릿을 업데이트하여 도구 호출 성능을 개선하고 Flash Attention 4를 지원합니다.
MoE 아키텍처를 적용하여 효율성과 성능을 높인 Moondream 3.1 모델이 공개되었습니다.
Robostral Navigate는 단일 RGB 카메라만으로 복잡한 환경을 자율 주행하는 8B 규모의 임바디드 AI 모델이다.
AllenAI가 자연어 지시에 따라 객체의 3D 궤적을 예측하는 MolmoMotion 모델을 공개했다.
Qwen 3.5를 기반으로 GUI 요소의 좌표를 정밀하게 예측하는 Vista 모델이 공개되었습니다.
시각과 언어를 통합해 GUI 및 CLI 작업을 수행하는 멀티모달 에이전트 Qwen3.7-Plus가 공개되었다.
Nvidia가 병렬 박스 디코딩을 통해 Qwen3-VL보다 10배 빠른 Vision-Language Grounding 모델 'LocateAnything'을 공개했다.
문서 이해와 구조화된 정보 추출에 특화된 4B 규모의 비전-언어 모델 NuExtract3가 공개되었습니다.
UEyes 데이터셋으로 VLM의 시선 예측을 실제 eye-tracking과 비교했다.
DSO는 RL로 steering 변환을 최적화해 VLM·LLM 편향을 줄인다.