多模態

推薦理由：文章整理了 smolagents 接收初始圖片與逐步加入截圖的兩種方式，並以網頁瀏覽智能體示範如何用 callback 更新執行記憶。

推薦理由：文章交代兩款模型的定位，以及較小視覺編碼器和 tokenization 調整等設計取捨，呈現小型 VLM 如何兼顧效率與多模態能力。

推薦理由：PaliGemma 2 將前代單一 3B 規格擴展至 3B、10B、28B，並提供三種輸入解析度，呈現下游微調時在品質與效率間選擇的彈性。

推薦理由：文中將 SmolVLM 與其他模型的多項基準、GPU 記憶體及吞吐量並列，提供評估小型視覺語言模型效能與資源取捨的依據。

推薦理由：網頁搜尋、Canvas、文件與圖像理解、圖像生成及可分享智能體同列免費 beta，呈現 le Chat 將對話延伸至知識工作多個環節的產品方向。

推薦理由：Pixtral Large 在 MathVista 得分 69.4%，並於 ChartQA、DocVQA 超越 GPT-4o 和 Gemini-1.5 Pro；這些結果提供數學視覺推理、圖表與文件理解的具體比較參照。

推薦理由：這項更新把圖像納入 GPT-4o 的微調資料，並可與文本一同使用，讓開發者能用兩種資料形式針對視覺能力進行調整。

推薦理由：Llama 3.2 涵蓋 11B、90B 視覺模型與 1B、3B 裝置端純文字模型，並列出 Transformers、llama.cpp 等運行示例，可作為選擇部署路徑的參考。

推薦理由：免費層涵蓋開發者的實驗、評估與原型製作，價格表亦列出模型新舊費率及降幅，呈現試用門檻和 API 成本的變化。

推薦理由：Mistral AI 以相同評測流程比較 Pixtral 12B 與多個開源及閉源模型，並列出 MMMU 52.5% 等基準結果，便於理解其多模態表現。

推薦理由：文章以 DocVQA 示範 Florence-2 微調，並列出驗證集表現及不同 GPU 配置，可供評估下游任務適配與訓練資源。

推薦理由：文章整理 PT、Mix、FT 檢查點的用途，並指出高解像度會增加記憶體需求、多數任務的質素提升有限，有助按任務需要選擇模型。

推薦理由：文章並列 GPT-4o 免費提供與新語音、影片模式，呈現 OpenAI 擴大高能力 AI 使用範圍和改善人機互動的兩個方向。

推薦理由：公告把 GPT-4o 定位為新旗艦模型，並明確列出音訊、視覺和文字的即時推理能力，讓讀者掌握此次宣佈的多模態重點。

推薦理由：Idefics2 同時公開 8B 權重、Apache-2.0 授權與多項視覺問答基準成績，便於對照小型多模態模型的效能表現和使用條件。

推薦理由：文章交代影片與圖像的聯合訓練方式及時空區塊架構，並呈現 OpenAI 將影片生成規模化連結至物理世界模擬器的研究思路。

推薦理由：GPT-4 Turbo 的 128K 上下文窗口與較低價格，連同 Vision 及多項 API，勾勒出 DevDay 公佈的模型與開發者產品範圍。

推薦理由：IDEFICS 同時交代訓練資料、互動式資料集瀏覽工具、對抗提示評估與基礎模型授權，呈現開放多模態模型的建構和使用邊界。

推薦理由：材料同時交代 GPT-4 的圖像與文字輸入、文字輸出形式，以及基準表現和真實場景能力的差異，可幫助讀者把握其能力描述的範圍。