#多模态大语言模型

这篇讲FISA，拿模型答错的题来造新训练图，比瞎做增强更准，还能和文本增强一起用。

这篇论文发现多模态模型持续微调时，投影仪会比主干更容易遗忘旧知识，并提出了PMA框架来解决，在两个基准上效果超过现有方法，值得做持续学习的读者看看。

抖音用多模态大模型给娃推内容，日均筛6000条优质视频，总量770万，还分年龄段推荐，家长可以放心了。

这篇论文提出了CoMet，能高效估计多模态语言模型的不确定性，比现有方法更准更快，很适合做AI可靠性的研究者看。

这个框架不用重训模型，就能在图片和视频生成时自动修语义错，比之前的免训练方法更靠谱。

做视频理解或 MLLM 研究的同学，这篇综述帮你把碎片化的方法统一到“观看-记忆-推理”框架下，省去自己梳理文献的时间，值得收藏作为 roadmap。

做多模态持续学习的团队终于有了解决任务路由混乱的方案——ProtoAda通过原型感知输出结构，避免VQA和接地任务互相污染，建议关注论文中的几何整合细节。

做图像生成或AI绘画的开发者，这篇论文解决了主体身份保留与文本指令跟随的长期矛盾，提出的DLA模块和多阶段去噪策略可以直接参考，值得点开看看具体实现。