#视觉语言模型

斯坦福团队推出社交机器人导航基准测试，发现顶级VLM表现还不如简单规则方法，揭示了AI社交理解的不足。

MOBA-VL用游戏遥测数据训练，能准确捕捉击杀和目标事件，比现有解说模型更精准。

研究人员提出NeuronEye框架，让视觉语言模型能根据查询激活相关视觉概念，在多个基准测试中显著提升推理性能。

美国团队推出首个建筑环境定量推理基准USAI-Quant，测试了335个城市数据，发现当前VLM在数值推理上普遍不足。

这篇论文揭示了视觉大模型的激活机制和脆弱性，提出了有效的预防干预方法。

病理标注太贵没数据？这篇把多个病理视觉语言模型的表征融合起来，54 组实验里 50 组小样本分类更强，做医学影像的可以看看。

这个研究挺有意思的，它发现给AI模型问问题的时候，用更详细、更啰嗦的描述，能让模型在处理有问题的图片时更不容易出错，比如把‘有猫吗？’改成‘请仔细看并回答：有猫吗？’。

InclusionAI 新出的 Ling 3.0 Flash VL 模型，语言能力更强，还能处理图片，可以做更复杂的视觉任务，比之前的版本好用。

OpenRouter@OpenRouterAI原文

这篇论文揭示了视觉编码器如何存储物体概念信息，即使在没有颜色的情况下也能识别物体的标准颜色。

清华团队提出RVSD框架，不用训练就能减少大视觉语言模型的幻觉，效果还特别好。

SAGE框架让VLM只在关键时刻提供指导，大幅减少调用次数，学习到的策略甚至能超越VLM教师表现。

GarmentWeaver能从草图和文本生成可执行缝纫模式，比现有方法更准确且兼容性好。

清华团队推出PACE框架，让Qwen2.5-VL-7B推理速度提升3.1倍，性能只损失6.2%

TAU-Agent 是一款用于交通异常理解的新框架，通过结合视频字幕和跟踪工具，实现了对交通视频的异常检测和解释，其在基准测试中的表现值得一看。

EG-ARSA模型基于专家知识，有效解决低资源环境下的道路安全审计问题，是Gemini-2.5-Flash模型的升级版。

这篇论文提出了TimeCatch，一个用于评估视觉语言模型时间一致性的基准，揭示了当前模型在时间异常检测上的不足，值得一读。

VIALS基准为视觉语言模型在生命科学领域的应用提供了新的评估标准，有助于识别模型在特定领域的局限性。

这篇论文提出了一种基于视觉语言模型的心脏消融规划LGE-MR图像质量评估方法，通过两个阶段的模型预测图像质量，有助于提高消融过程的安全性。与现有方法相比，InternVL2和DeepSeek在准确性和临床可用性方面表现出色。

想测多模态模型在拥挤场景里会不会张冠李戴？这个新基准InstaBind-Lite能精准量化，开源模型错绑率近20%，比想象中严重。

医学图像分割和语言模型终于打通了，MedPixel一个模型搞定定位加问答，还自带44万样本的数据集，搞医学AI的值得看看。

这篇论文告诉你，把数据画成图再给模型看，能省电还更准。电信场景实测能耗降2.5倍，精度翻倍，值得做时序分析的人看看。

这篇论文用消融实验戳穿了VLM做零样本控制的假象，多数模型其实没在看图像。还给出了一个能到0.973准确率的守护方案，想搞具身智能的值得看。

医学影像领域的小伙伴可以看看这篇，CARE-X 把胸片分类、定位、报告生成整合到一个模型里，还靠工具调用做解剖测量，临床实用性比纯生成模型强不少。

这篇arXiv研究测了13个模型：把关键词大写能集中LLM注意力，但准确率不一定提高，交替大小写还会拖累成绩。

这篇论文用1,600个人类写的幻觉样本对比了18,400个模型生成的样本，发现人类样本更稳定、更好控制，以后测幻觉不用老换模型了。

想测测视觉语言模型能不能真在3D空间里干活？SceneActBench给你5个任务、520个案例，开源又公平，看哪个模型分高。

想测试病理AI能不能像医生一样在超大图片里找病灶？这个基准专门考这个，结果发现定位能力还很弱。

想搞3D生成质量自动评估？这篇论文告诉你：光选模型不够，整个评估管道都得调。六视图RGB就够用，省成本。

这篇研究说AI一味追求“省事”反而帮倒忙——结构设计需要“摩擦”来激发灵感。他们用视觉语言模型做了个交互系统，帮设计师边想边改，保留思考摩擦，去掉重复劳动。