视觉智能体
-
多模态模型视觉短板被攻克！UniPat AI用500行代码打造SWE-Vision，让AI学会“掏出Python尺子”自我验证，五大视觉基准全SOTA
模型“看见”却无法“精确处理”的短板 过去一年，多模态大模型在代码任务上的表现突飞猛进，已能媲美资深开发者。然而，在基础视觉理解任务上，其可靠性远未达到同等水平。 UniPat AI 此前发布的多模态基准测试 BabyVision 揭示了这一现象：模型常能给出长篇推理，却在最基础的计量、计数和空间关系判断上出错。该基准已被多个重要模型的技术报告引用，凸显了社…
-
SWE-Vision：让大模型用代码“看见”世界，五大视觉基准刷新SOTA
多模态大模型在代码生成与理解方面取得了显著进展，但其在基础视觉任务上的表现却时常不尽如人意。针对这一短板，UniPat AI 提出了一个极简的视觉智能体框架——SWE-Vision。该框架的核心思想是让模型能够编写并执行 Python 代码，以此处理和验证自身的视觉判断。在五个主流视觉基准测试中，SWE-Vision 均取得了当前最优的性能。 01｜模型看得…
