Numind a lancé NuExtract3, un VLM de 4B en poids ouvert basé sur Qwen3.5-4B sous licence Apache-2.0. Il vise à rendre l'extraction d'informations à partir de documents complexes, tels que des PDF et des formulaires, plus pratique et accessible.
![NuExtract3 released: open-weight 4B VLM for Markdown, OCR and structured extraction (self-hostable) [P]](/cdn-cgi/image/width=3840,quality=75,format=webp/https://preview.redd.it/pm2xbooyxn2h1.png?width=140&height=78&auto=webp&s=30ec102187e4eb4582c79f124c41b8a3c129d1fd)
Le contenu interroge sur la pertinence des ateliers EMNLP pour les travaux d'évaluation des modèles de vision-langage (VLM). Il demande également des recommandations pour d'autres bonnes conférences PNL pour ce type de recherche.
Cet article présente MedExpMem, un cadre de mémoire d'expérience conçu pour améliorer les modèles de vision-langage médicaux (VLMs) avec une expertise en diagnostic différentiel. Il permet aux agents de diagnostic d'apprendre de leurs propres échecs en mémorisant des expériences discriminatives sous forme de notes différentielles par paires.
Ce guide aborde le réentraînement répétitif des modèles de détection d'objets comme YOLO dans les environnements industriels en proposant des Modèles de Vision-Langage Génératifs (VLMs) pour la détection en zéro-shot. Il souligne comment les VLMs transforment la détection en requêtes sémantiques, évitant la collecte continue de données et le réentraînement, mais note de nouveaux défis architecturaux pour les équipes d'ingénierie industrielle.
PRISM est un nouveau cadre qui intègre la perception (VLM) et la décision (LLM) via un pipeline dynamique de questions-réponses, permettant au LLM d'affiner activement la sortie du VLM pour une compréhension de scène axée sur la tâche. Cette approche surpasse significativement les modèles basés sur l'image existants sur des benchmarks comme ALFWorld et Room-to-Room.
Pelican-Unified 1.0 est présenté comme le premier modèle fondamental incarné, intégrant un seul VLM pour la compréhension, l'imagination et la génération d'actions en une seule passe. Cette approche unifiée surpasse les systèmes modulaires sur les benchmarks et simplifie le développement robotique.