英伟达开源「描述一切」模型，拿下7个基准SOTA
研究提出「描述一切模型」(DAM)，能生成图像或视频中特定区域的详细描述。用户可通过点、框等方式指定区域，DAM则提供丰富的上下文描述。此模型在多个任务中均表现优异，并支持多粒度输出。
多模态大语言模型
首个开源无限时长AI电影生成模型，未来AI生成电影就像生成小说一样简单。
SkyReels V2 是一款基于 Diffusion Forcing 框架的开源无限时长电影生成模型，支持故事生成、图生视频及镜头导演等功能。它已在电商等多领域具备实际应用价值。
多模态AI模型再添猛将！Liquid：字节最新开源的多模态LLM，视觉与语言统一生成！
Liquid 是一款由字节跳动、华中科技大学和香港大学联合开源的强大模型，能无缝集成视觉理解与生成能力。其7B参数的多模态大语言模型基于离散编码技术，能够实现统一处理图像、文字输入输出，表现出色的视觉理解和强大的图像生成功能。
基于多模态大语言模型的 PDF 转 Markdown 工具MarkPDFDown
基于多模态大语言模型的PDF转Markdown工具，支持任意PDF文档转换为结构清晰的Markdown格式，并完整保留排版、表格等元素。
Awesome-Multimodal-LLM-for-Math-STEM：多模态LLM在数学等集合
Awesome-Multimodal-LLM-for-Math-STEM汇集了最新的数学/STEM/编程领域的研究成果，旨在促进相关领域的发展。
谢赛宁：Thinking in Space
纽约大学谢赛宁团队提出研究新视角：视频空间推理。他们构建了一个全新的基准，涵盖多种视觉-空间智能任务，并通过自动化生成的自标注数据测试AI表现。结果显示当前MLLMs在视觉-空间智能上表现不佳，但仍表现出色。
Florence-VL来了！使用生成式视觉编码器，重新定义多模态大语言模型视觉信息
本文介绍了一种基于生成式视觉编码器Florence-2的多模态大语言模型Florence-VL，通过创新的深度广度融合策略结合多层次、多任务视觉特征，实现了在多种多模态基准任务上的卓越性能。