#MLLM

想搞懂多模态模型内部到底怎么把图和文字融合的，这篇把拼接式和原生架构两条路径讲清楚了，做架构选型可以参考。

清华团队新方法用合成场景训练MLLM，提升多区域视觉理解，在6个基准上平均涨3.23分。

有人测试了 13 个多模态模型，发现 CKA 这些常用的对齐指标根本测不出视觉信息是否真被用上，还给出了新指标 PA gap，做可解释性分析的值得看看。

O2C-Nav只需一次MLLM调用就能完成视觉语言导航，比现有方法更高效，代码已开源。

这篇论文搞了个ARMDIL，用MLLM当路由器给图像挑合适的视觉模型，效果不输专门训练的，还能改提示词加新数据。

GUI智能体部署后不会自我进化的问题有解了，这个框架用反射引导自蒸馏，六个基准平均涨7.4个点，做智能体适配的可以看看。

想知道视频生成模型在科学推理上有多靠谱？这个新基准测了 16 个模型，发现视觉好看不等于科学正确，专有和开源差距不小。

GUI Agent容易瞎点，这篇把指令理解和坐标定位拆开，用布局匹配防幻觉，ScreenSpot-Pro比端到端高20个点。

这篇论文用49道题测了Gemini、GPT-4等6个模型对科学图表的理解力，发现Gemini最强但人类平均还是更高，开源模型差距明显，想了解模型真实视觉推理能力可以一读。

他们挑战了多模态情感模型必须大的假设，用知识蒸馏搞出<1B的Light-MER，9个基准超了大模型还更快，做部署的可以看看。

这篇论文用新数据集CSB系统地测了十年间视觉语言模型的进化，发现最新模型在复杂社交场景上已经跟人类顶级描述差不多准了，只有空间依赖错误还没完全解决。

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。

想研究多模态智能体怎么合作干活？MECoBench 用一堆模型做了系统实验，结论直接告诉你协作和通信到底有没有用。

这篇论文告诉你如何在不牺牲性能的前提下大幅降低多模态大模型的计算量。他们在Qwen3-VL上砍了33.7%的算力，性能只掉了0.5%，方法很巧妙。

想让模型在不同参考图下都稳定分割？试试 CG-ICS，用概念推理代替简单视觉匹配，SAM3 和 MLLM 帮你搞定。

这篇论文的TOPS方法能在剪掉近八成视觉token的同时保持甚至提升模型性能，很实用。

这篇论文解决了文生图模型在物体数量、空间位置等结构细节上经常翻车的问题，用隐式思维链单次前向传播搞定，在GenEval和T2I-CompBench上效果更好。

这篇论文提出了ViGOS，专门解决多模态模型自蒸馏时只看文本不看图的毛病，在多个视觉语言基准上有效果。

这个框架用MLLM和思维链一步步拆解欺骗线索，比黑箱模型更能解释为什么判定说谎，准确率还最高。

这篇论文提出MAF，能根据输入动态挑选示例来引导MLLM做情感分析，在多个数据集上效果提升明显，比固定提示强很多。

想研究交通场景的多模态推理？OmniTraffic提供了大规模可控数据集和基准，还能用模拟数据微调小模型提升真实表现，很实用。

诊断医疗AI幻觉的利器