新模型趋势 - 任意到任意（Any-to-any）多模态模型实现图像、文本、音频等多种模态无缝输入输出，如Meta Chameleon和Qwen2.5-Omni [5][6][7] - 推理型视觉语言模型涌现，具备复杂场景下的逻辑推理与长链思维能力，如Kimi-VL-A3B-Thinking（16B参数，激活参数2.8B）[11][12] - 小参数高性能多模态模型推动本地化应用普及，如SmolVLM2（256M/500M/2.2B参数）和Gemma3-4b-it（4B参数，支持140+语言）[15][16] 混合专家架构 - MoE解码器通过动态激活子模型提升效率，如Kimi-VL（开源推理SOTA）和DeepSeek-VL2 [19][20] - MoE在Transformer中替代FFN层，减少计算资源消耗但增加内存成本 [19] 视觉语言动作模型 - VLA扩展VLM能力至机器人控制，如π0/π0-FAST（支持7个机器人平台）和GR00T N1（NVIDIA人形机器人基础模型）[21][22] 专业化能力发展 - 多模态安全模型过滤有害内容，如ShieldGemma 2（谷歌）和Llama Guard 4（Meta）[31][32] - 多模态RAG简化文档处理，采用DSE和类ColBERT架构提升检索精度 [40][44] 智能体与视频理解 - 智能体模型实现GUI控制，如UI-TARS-1.5（字节跳动）和Qwen2.5-VL-32B（智能体任务优化）[47][54] - 视频理解技术突破帧限制，如LongVU（Meta）和Qwen2.5VL（动态FPS适应）[57] 基准测试与对齐技术 - 新基准MMT-Bench（31325项多模态任务）和MMMU-Pro（10选项复杂度提升）取代饱和旧基准 [67][68] - DPO偏好优化扩展至VLM微调，如RLAIF-V数据集（83000+样本） [61][63] 精选模型 - Qwen2.5-VL（3B-72B参数）以智能体能力突出 [71] - Kimi-VL-Thinking（16B MoE）为复杂推理首选 [71] - SmolVLM2（最小视频模型）和Llama 4 Scout（109B/400B MoE）覆盖不同规模需求 [71]