#visual localization

研究团队发现 CoT 用多了反而掉分，提出用注意力熵判断何时才需要思考，免训练就在推理分割基准上拿了 SOTA，还更省算力。

arXiv 上这篇论文做了个新基准 inkGround，专门考 VLM 能不能从手写照片里恢复笔画顺序，Gemini-3.1-Pro 表现最好。

Mistral Large 4是欧美首个在聚合基准上超越其他开源模型的1T参数多模态模型，10月底开源。

elvis@omarsar0Source

一个自动驾驶推理数据集，41 万多帧标注把视觉证据和驾驶决策串成思维链，多个骨干模型实测轨迹误差明显下降，做自动驾驶 VLM 的可以看看。

MIT团队发现视觉干扰物如何导致机器人选错目标，并提出三种具体改进方法，在物理机器人上效果显著。

这个新方法能让视觉定位标注快1.6倍，特别适合需要大量标注数据的团队。

这篇论文提出MMCS，用50K样本就干翻别人600K的效果，做多模态预训练的可以看看这个新思路。