微軟11月29日向Windows 11 Copilot用戶推送更新：免費開放GPT-5.1模型，一鍵啓用原付費“Think Deeper”深度推理功能。新增“Labs”實驗區，首批上線WinUI 3“Vision”實時畫面解析組件，後續將逐步加入3D生成、音頻表達等功能。“Actions”特性正在內測中。
三星推出首款混合現實頭顯Galaxy XR，售價1799美元，僅爲蘋果Vision Pro一半。搭載雙Micro OLED屏，總像素2900萬，基於開放安卓XR平臺，以高性價比挑戰高端MR市場。
蘋果正研發輕便智能眼鏡，採用雙界面設計，可能運行visionOS系統，界面會根據配對設備調整。這印證了資源從Vision Pro轉向更便攜產品的傳聞。
視覺檢索增強生成（Vision-RAG）與文本檢索增強生成（Text-RAG）在企業信息檢索中的對比研究顯示，Text-RAG需先將PDF轉爲文本再嵌入索引，但OCR技術常導致轉換不準確，影響檢索效率。Vision-RAG則直接處理視覺信息，可能更高效。研究揭示了兩種方法在應對海量文檔時的優缺點，爲企業優化搜索策略提供參考。
Decart Vision平臺利用AI實現圖像、視頻生成與編輯，無需等待創意產出。
VisionFX是一款AI創意工作室，利用先進的人工智能技術即時生成圖片、視頻、音樂、語音等。
將2D圖像轉換為沉浸式3D模型，用於遊戲資產和電子商務產品。
Portal by 20Vision是一個免費AI設計工具，可在幾秒鐘內轉換圖像和視頻。
Bytedance
$0.8
輸入tokens/百萬
$8
輸出tokens/百萬
256
上下文長度
Tencent
-
24
$3
$9
128
16
32
$1.5
$4.5
$18
6
Moonshot
$5
$20
$2
$10
8
$30
131
mitegvg
該模型是基於VideoMAE架構的暴力檢測模型，在Kinetics數據集預訓練的基礎上，針對暴力檢測任務進行了92輪微調。模型採用Vision Transformer架構，專門用於視頻內容分析，能夠識別視頻中的暴力行為。
birder-project
這是一個基於RoPE（旋轉位置編碼）的Vision Transformer模型，參數規模為150M，採用14x14的patch大小。該模型在約2100萬張圖像的多樣化數據集上進行了預訓練，可作為通用視覺特徵提取器使用。
timm
這是一個基於DINOv3架構的Vision Transformer圖像特徵編碼器，通過從7B參數的DINOv3 ViT模型在LVD-1689M數據集上進行知識蒸餾得到。該模型專門用於圖像特徵提取任務，具有強大的視覺表示能力。
dinhquangson
MonkeyOCR-pro-1.2B Vision GGUF 是一款高性能的視覺語言模型，專注於光學字符識別（OCR）和文檔分析。該模型採用GGUF格式，支持多語言處理，具備出色的OCR精度和推理速度，適用於各種文檔處理場景。
John6666
Realistic Vision V5.1 是一個基於 Stable Diffusion XL 的文本到圖像生成模型，專注於生成高質量、逼真的人物肖像和場景圖像。該模型支持多種風格，包括寫實、動漫、遊戲等，能夠生成具有高度真實感的人物、女演員肖像以及動漫風格圖像。
facebook
DINOv3是Meta AI開發的一系列通用視覺基礎模型，無需微調就能在多種視覺任務中超越專門的先進模型。該模型採用Vision Transformer架構，在16.89億張網絡圖像上預訓練，能生成高質量的密集特徵，在圖像分類、分割、檢索等任務中表現出色。
CohereLabs
Cohere Labs Command A Vision是一個擁有1120億參數的企業級視覺語言模型，專為圖像理解任務優化，在保持高性能的同時具有較低的計算需求。該模型支持多語言輸入和輸出，能夠處理圖像和文本的多模態輸入。
Acly
BiRefNet是一個用於二分類圖像分割的深度學習模型，專門用於背景去除任務。該模型經過GGUF格式轉換，可在消費級硬件上通過vision.cpp進行輕量級推理，實現高效的圖像分割處理。
prithivMLmods
基於Qwen2.5-VL-3B-Instruct微調的視覺OCR模型，專注於文檔級OCR、長上下文視覺語言理解和數學LaTeX格式轉換
Ricky06662
VisionReasoner是基於強化學習的統一視覺感知與推理模型，通過強化學習框架將視覺感知和推理任務整合到一個統一的系統中，為視覺領域的複雜任務提供了創新的解決方案。
VisionReasoner-7B是一個圖像文本到文本的模型，採用解耦架構，由推理模型和分割模型組成，能解讀用戶意圖並生成像素級掩碼。
p1atdev
基於Vision Transformer架構的視覺模型，採用SigLIP（Sigmoid Loss for Language-Image Pretraining）訓練方法，適用於圖像理解任務。
ISxOdin
基於Google Vision Transformer (ViT)微調的寵物品種分類模型，在Oxford-IIIT寵物數據集上達到94.45%準確率
UCSC-VLAA
VLAA-Thinker是一個創新的視覺語言模型，能夠同時處理圖像和文本輸入，並生成高質量的文本輸出。該模型基於論文《SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models》的研究成果開發，專注於類似R1的推理能力。
tue-mps
該論文提出了一種將Vision Transformer (ViT) 重新解釋為圖像分割模型的方法，展示了ViT在圖像分割任務中的潛力。
該論文提出了一種將Vision Transformer (ViT) 重新解釋為圖像分割模型的方法，揭示了ViT在圖像分割任務中的潛力。
該論文提出了一種基於Vision Transformer (ViT) 的圖像分割模型，揭示了ViT在圖像分割任務中的潛力。
該模型揭示了Vision Transformer (ViT) 在圖像分割任務中的潛力，通過特定架構調整使其適用於分割任務。
該論文提出的模型揭示了Vision Transformer (ViT)在圖像分割任務中的潛在能力。
MCP Vision Relay 是一個 MCP 服務器，通過封裝本地安裝的 Gemini 和 Qwen 命令行工具，為 Claude、Codex 等僅支持文本的 MCP 客戶端提供圖像分析能力，使其能夠處理本地路徑、URL 或 base64 編碼的圖片。
展示計算機視覺工具與語言模型通過MCP的集成
YOLO MCP服務是一個強大的計算機視覺服務，通過模型上下文協議(MCP)與Claude AI集成，提供物體檢測、分割、分類和即時攝像頭分析功能。
基於Google Gemini Vision API的YouTube視頻分析MCP服務，提供視頻描述、摘要、問答和關鍵片段提取功能。
Orion Vision MCP服務器是一個基於Model Context Protocol（MCP）的開源項目，提供與Azure文檔智能服務的無縫集成，支持多種文檔類型的分析和數據提取功能。
專為AI視覺工作流優化的網頁截圖工具，自動分塊為1072x1072像素以適應Claude Vision API處理需求
Transformers%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
