VLM

找到 3 篇关于此标签的文章

4.5亿参数小模型看懂浏览器屏幕：1%到44%说明垂直微调更划算

Reddit 开发者用 5 万张浏览器截图微调 4.5 亿参数的视觉语言模型，屏幕问答准确率从 1% 跳到 44%。值得关心的是：Agent 落地的瓶颈可能不是参数够不够大，而是有没有针对真实界面做专项训练。

联邦学习（数据不出本地、联合训练 AI）过去主要跑在结构化数据上。NVIDIA FLARE 现在支持视觉语言模型，意味着医院影像、工厂巡检图也能在不集中的前提下协同训练。这是合规行业的解药，但落地复杂度不低。

台湾宠物科技公司 Tomofun 将 Furbo 摄像头的 AI 推理从 GPU 迁移到 AWS 自研芯片 Inferentia2，成本显著下降且精度不损。这标志着「推理专用芯片替代 GPU」不再只是厂商叙事，有了面向消费者的真实验证。