一文总结视觉语言模型最新进展视觉语言模型最新全景指南
还能跟上视觉语言模型发展的步伐吗？是时候来回顾一下它们的最新发展了！
HuggingFace一篇新博客，用八大章节总结了VLM领域的最新发展。【图1】
一起来看看文章的细节：
一、新的模型架构趋势
1. Any-to-any模型，支持多种输入和输出模态，代表模型有：
- Chameleon：可输入并输出图像和文本，未开放图像生成能力
- Lumina-mGPT：在Chameleon基础上开发的模型，增加了图像生成能力
- Qwen 2.5 Omni：采用“Thinker-Talker”架构，“Thinker”负责文本生成，“Talker”以流式方式产生自然语音响应。【图2】
2. 推理模型，擅长复杂问题推理，代表模型有：
- QVQ-72B-preview：2025 年前唯一开源的多模态推理模型
- Kimi-VL-A3B-Thinking：基于Kimi-VL优化，强化长链推理能力【图3】
3. 小巧但功能强大的模型，参数量小（
