VLM

推荐理由：空间推理一直是视觉语言模型的硬伤，SCOUT 用新的训练方法把 3D 理解做得更准，7B 规模直接超过 GPT-4o，还能迁移到视频上。

推荐理由：NAS 用户看过来，威联通 Qsirch 升级了，本地跑 VLM 和 LLM，搜文件视频不用传云端，隐私和速度都照顾到。

推荐理由：这论文给了一个能自动造VLM压力测试的框架，比现有基准更能暴露模型短板，做评测的可以看看。

推荐理由：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。

推荐理由：SAFT用结构先验替代人工标注，给VLM奖励模型降噪，训练收敛更快，EPIC距离也更好了。

推荐理由：这篇论文发现，给越狱提示配张无关图片，能让ECSO防御的攻击成功率掉73个百分点。不是新防御，但交互很反直觉。

推荐理由：这篇论文提出了HyGAE方法，让VLM智能体在多个回合的决策任务里表现更好，平均成功率91%，比别的方法高了10%，值得搞强化学习和多模态的研究者看看。

推荐理由：腾讯开源了三个具身模型，像搭积木一样分层解决机器人从看懂到动起来的难题，VLA 能做到毫秒级反应，做机器人开发的一定要看看。

推荐理由：这篇论文提出了MIRROR方法，让视觉语言模型通过不同视角互相学习，在几何推理中表现更稳定、更准确。

推荐理由：他们用两个简单技巧，让检测AI改图的模型在GPT、Gemini等新模型上比之前最好的PIXAR强了26%多，代码也开源了，搞图像安全的可以试试。

推荐理由：这篇论文搞了个新度量TPIPS，能按文字指令判断两张图在哪个方面像，比现有单标量打分更细。数据集和模型都开源了。

推荐理由：这篇论文给VLM配了三种看图工具（表格、图表、放大），再用GRPO训练工具使用策略，比普通prompt和RL方法更准，适合处理科学图表验证。

推荐理由：腾讯新出的具身模型 Hy-Embodied-VLM-1.0，只用 A3B 参数量就接近 A32B 的效果，37 个任务平均 65.6 分，还开源了。搞具身智能的朋友可以试试。

推荐理由：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。

推荐理由：这篇论文发现VLM其实知道个数但说不准，用内部探测+自纠正就能白嫖15%精度提升，不调参数，挺实用。

推荐理由：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。

推荐理由：想验证AI解释的可信度？ConceptSMILE能审计概念级解释的可靠性，MedSAM和VLM在不同维度各有优劣，论文给出了量化证据。

推荐理由：这篇论文用实测数据告诉你，在边缘设备上跑视觉大模型，最费电的不是看图片，而是生成文字。想省电？让它少说。

推荐理由：这篇论文用HIVE框架系统分析了VLM的幻觉后推理，发现幻觉caption反而提升部分视觉任务准确率，值得看看他们怎么设计和验证的。

推荐理由：这篇论文把VLM做图像编辑时定位不准的老问题挖到底了——原来不是模型不行，是提取信号的方式错了。他们用了个'代理分析'的巧招，把隐藏的定位信号给揪了出来，搞编辑管线的值得一看。

推荐理由：想用语言帮AI'闻'气味？这篇论文用VLM生成场景描述，在纽约气味数据集上检索效果最牛，还能拆解混合气味。

推荐理由：Cortex把长程操作拆成32个标准动作，用开放数据自动训练，比纯VLA模型在Libero和RoboTwin上高3-4%，还能零样本做化学实验。

推荐理由：想看看现在的VLM在专业视频场景下有多拉胯？这篇论文搞了个AnyGroundBench基准，测了15个模型在动物、手术等5个领域的表现，结果全翻车了。

推荐理由：林业标注太费人力？TreeAgent用专家规则加VLM自动标注偏差，比传统监督学习强还省心。

推荐理由：这篇论文发现直接用余弦相似度搞局部共形预测效果一般，但换个非线性变换后，预测集变小了，值得做VLM不确定性量化的看看。

推荐理由：这篇论文教机器人像人类一样用盘子切蛋糕，不受工具原始功能限制。用VLM选工具、SAM定位，零样本效果比现有方法好。

推荐理由：这篇论文搞了个Argus基准，比较了27种不确定性方法在4个VLM模型和4个GUI数据集上的表现。结论很实在：方法排名换模型就不灵了，闭源还得单独测。做智能体部署的可以看看。

推荐理由：SPOT-E这个新方法挺有意思，它不重训模型，只在推理时搞了个视觉聚光灯和熵整形，就让VLM在那些需要细看局部证据的任务上表现好多了。尤其用GRPO调优，效果提升还挺稳定。

推荐理由：想知道微调后的机器人模型到底还记不记得常识？这篇论文用动作答题的方式测了7个VLA，发现简单概念还行，复杂知识掉得厉害。

推荐理由：这篇论文教具身AI什么时候该说'我不知道'，不用额外训练数据就有效。

推荐理由：做文档解析或 RAG 系统的开发者终于有了一个贴近真实业务场景的评估工具——ParseBench 用 2000 页企业文档测试 VLM 的语义理解能力，比现有基准更贴近实际需求，值得关注并尝试。