Multimodal

Blog Multimodal

RRS-10K: um benchmark de modelo de visão e linguagem multitarefa para interpretação de imagens raras de sensoriamento remoto

arXiv:2607.24810v1 Tipo de anúncio: novo Resumo: Os modelos de visão e linguagem (VLMs) alcançaram forte desempenho em tarefas gerais de sensoriamento remoto. No entanto, sua capacidade para cenas raras permanece insuficientemente compreendida, porque os benchmarks existentes são dominados por imagens urbanas e rurais comuns. Para preencher essa lacuna, apresentamos o RRS-10K, um benchmark para interpretação de imagens raras de sensoriamento remoto. O RRS-10K contém 10.738 imagens de sensoriamento remoto de cunho militar e questões correspondentes em múltiplos formatos...

29.07.2026

Paper LLMs & Texto

Metis: Memory Foundation Model

Recent advances in AI agents have increasingly internalized native capabilities into their underlying foundation models, giving rise to multimodal foundation models and large reaso…

29.07.2026 ·▲ 240

Blog Robótica & RL

Poder de Computação Tão Compacto Que É Decisivo — Construa IA em Qualquer Lugar Com o NVIDIA Jetson

Como uma investidora de IA criteriosa que valoriza estilo e substância, Sarah Guo sabe que o acessório de destaque desta temporada não é a mais recente bolsa de grife — mas o que há dentro dela. Em um vídeo recente, Guo, fundadora da Conviction, empresa de capital de risco nativa de IA, e coapresentadora do podcast de IA No Priors, destacou como a plataforma NVIDIA Jetson para edge […]

28.07.2026

Modelo Multimodal

unsloth/Kimi-K3

Modelo de visão e linguagem — 1.3 mil downloads e 242 curtidas no Hugging Face.

28.07.2026 ·↓ 1324

Modelo LLMs & Texto

Kwaipilot/KAT-Coder-V2.5-Dev

Modelo de geração de texto · MoE — 14.3 mil downloads e 440 curtidas no Hugging Face.

28.07.2026 ·↓ 14339

Modelo Multimodal

DavidAU/Qwen3.5-9B-The-Defiant-Fable-Uncensored-Heretic-NEO-IMATRIX-MAX-MTP-GGUF

Modelo de visão e linguagem · 9 B de parâmetros — 304.4 mil downloads e 230 curtidas no Hugging Face.

28.07.2026 ·↓ 304420

Paper Robótica & RL

HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone

Learning deployable manipulation policies is bottlenecked by the scarcity of data that is both high-fidelity and scalable.

28.07.2026 ·▲ 85

Paper Multimodal

MODUS: Decoder-Only Any-to-Any Modeling of Diverse Modalities

Any-to-any models predict any modality from any combination of others within a single network, a formulation used in multimodal vision and vision-language models, and increasingly…

28.07.2026 ·▲ 5

Dataset Multimodal

moonshotai/PerceptionBench

Dataset com 1 mil – 10 mil exemplos — 3.4 mil downloads no Hugging Face. PerceptionBench PerceptionBench: Evaluating Atomic Visual Perception in Multimodal Large Language Models Abstract We introduce PerceptionBench, a benc…

27.07.2026 ·↓ 3352

Modelo Multimodal

moonshotai/Kimi-K3

Modelo de visão e linguagem — 967.6 mil downloads e 9.8 mil curtidas no Hugging Face.

27.07.2026 ·↓ 967622

Modelo Multimodal

microsoft/Fara1.5-27B

Modelo de visão e linguagem · 27 B de parâmetros — 3.0 mil downloads e 267 curtidas no Hugging Face.

27.07.2026 ·↓ 2988

Paper Multimodal

Evidence Attribution in Visual Document Understanding without Coordinates or Region Labels

Reliable visual document understanding requires a model to attribute each answer to the evidence regions that support it.

27.07.2026 ·▲ 2