แท็ก

#VLM

4 บทความ

Apple ปล่อยน้ำหนัก LensVLM-9B — อ่านเอกสารยาวเป็น "ภาพหน้ากระดาษย่อ" แล้วซูมเฉพาะหน้าที่เกี่ยว ได้แม่นใกล้การป้อนข้อความเต็มที่อัตราบีบอัด 4.3 เท่า แต่ใบอนุญาตใช้ได้แค่งานวิจัย
โมเดลใหม่

Apple ปล่อยน้ำหนัก LensVLM-9B — อ่านเอกสารยาวเป็น "ภาพหน้ากระดาษย่อ" แล้วซูมเฉพาะหน้าที่เกี่ยว ได้แม่นใกล้การป้อนข้อความเต็มที่อัตราบีบอัด 4.3 เท่า แต่ใบอนุญาตใช้ได้แค่งานวิจัย

Apple อัปโหลด LensVLM-9B ขึ้น Hugging Face เมื่อ 21–22 ก.ย. 2026 พร้อมโค้ดบน GitHub โมเดลนี้เรนเดอร์ข้อความยาวเป็นภาพหน้ากระดาษที่ย่อไว้ แล้วใช้ทูล read_page ขยายเฉพาะหน้าที่เกี่ยวข้อง ในเปเปอร์ได้ความแม่นเฉลี่ย 68.9% ที่ 4.3 เท่า เทียบกับ 72.4% เมื่อป้อนข้อความเต็ม แต่ที่ 15 เท่าคะแนนเท่ากับ RAG แบบ embedding ธรรมดา และน้ำหนักใช้ใบอนุญาตวิจัยที่ห้ามใช้เชิงพาณิชย์

· อ่าน 4 นาที
Liquid AI ปล่อย LFM2.5-VL-DSpark — drafter 280M ทำให้ VLM 3B ถอดรหัสเร็วขึ้นสูงสุด 3.13 เท่าบน Mac แต่ภาพยังต้องผ่าน prefill เท่าเดิม end-to-end จึงเร็วขึ้นแค่ 1.3–2.6 เท่า
โมเดลใหม่

Liquid AI ปล่อย LFM2.5-VL-DSpark — drafter 280M ทำให้ VLM 3B ถอดรหัสเร็วขึ้นสูงสุด 3.13 เท่าบน Mac แต่ภาพยังต้องผ่าน prefill เท่าเดิม end-to-end จึงเร็วขึ้นแค่ 1.3–2.6 เท่า

Liquid AI เปิด DSpark drafter สำหรับโมเดลภาพ LFM2.5-VL-3B เมื่อ 24 ก.ย. 2026 ขนาด 280M (เพิ่มหน่วยความจำ 8.9%) ถอดรหัสเร็วขึ้น 2.30–3.13 เท่าบน M5 Max ผ่าน MLX และ 1.57–2.14 เท่าบน M3 Ultra ผ่าน llama.cpp โดยผลลัพธ์ไม่เปลี่ยน รองรับตั้งแต่วันแรกทั้ง llama.cpp, MLX-VLM และ SGLang เพราะ PR ถูก merge ครบแล้ว แต่ใบอนุญาตยังมีเพดานรายได้ 10 ล้านดอลลาร์ ไม่ใช่ "ไม่มีข้อจำกัด" อย่างที่บล็อกเขียน

· อ่าน 4 นาที
Bedrock-RL: เขียน Minecraft ใหม่ทั้งเกมด้วย C/CUDA ให้ผลลัพธ์เหมือนเดิมทุกครั้ง แล้วใช้เทรน VLM agent ด้วย RL — พร้อมตัวอย่างที่ผู้เขียนบอกเองว่า "ยังไม่มีนัยสำคัญทางสถิติ"
เครื่องมือนักพัฒนา

Bedrock-RL: เขียน Minecraft ใหม่ทั้งเกมด้วย C/CUDA ให้ผลลัพธ์เหมือนเดิมทุกครั้ง แล้วใช้เทรน VLM agent ด้วย RL — พร้อมตัวอย่างที่ผู้เขียนบอกเองว่า "ยังไม่มีนัยสำคัญทางสถิติ"

19 ส.ค. 2026 มีเฟรมเวิร์กโอเพนซอร์ส MIT ชื่อ Bedrock-RL ออกมา — จับคู่ Netherite ซึ่งเป็น Minecraft ที่เขียนใหม่ด้วย C/CUDA แบบ deterministic เข้ากับ verl เพื่อเทรน vision-language agent ด้วย RL รองรับ GRPO, RLOO, REINFORCE++, SFT และ on-policy distillation พร้อมชุด train/dev/test ที่แยก seed กันจริง

· อ่าน 7 นาที
VisionPsy-Nano: VLM 460M พารามิเตอร์จาก Tether AI ที่ชนะรุ่นใหญ่กว่าตัวเอง และให้ token แรกเร็วกว่าเดิม 19-23 เท่าบนมือถือจริง
โมเดลใหม่

VisionPsy-Nano: VLM 460M พารามิเตอร์จาก Tether AI ที่ชนะรุ่นใหญ่กว่าตัวเอง และให้ token แรกเร็วกว่าเดิม 19-23 เท่าบนมือถือจริง

Tether AI Research ปล่อย VisionPsy-Nano — vision-language model ~460M พารามิเตอร์ ใบอนุญาต Apache 2.0 ทำคะแนนรวมสูงสุดในรุ่นราว 0.5B (62.3 เทียบคู่แข่ง 54.9-59.6) ชนะโมเดลใหญ่กว่าตัวเองอย่าง FastVLM-0.5B, Qwen3.5-0.8B และ InternVL3.5-1B บน ScienceQA, MM-IFEval และ POPE ส่วนรุ่น Flash ให้ token แรกเร็วกว่า baseline 19-23 เท่าบน Pixel 9 และ Galaxy S25 Ultra

· อ่าน 6 นาที