北大等提出HDR：多步视觉推理从34%冲到60%
视频模型最尴尬的地方，不是不会画，而是会画却不会“想”。HDR把这个矛盾掰开了：先粗后细地推理，再保持流式低延迟输出，六个多步任务上把成功率从34.22拉到60.29，确实有点东西。
视觉与图像
共 793 篇
MICCAI 2026新作CRISP：不用目标域数据，医学分割照样更稳
医学图像分割最烦的不是分不清边界，而是模型一出院门就“水土不服”。CRISP不靠目标域数据、不改测试时参数，直接用排名稳定性把不确定边界一层层挤出来，思路干净，临床味很浓。
Apple Research新方法：不用教师也能提升代码模型
这篇论文最狠的地方，不是把代码模型调高了几个点，而是它几乎没加任何“外挂”：不要验证器，不要教师模型，不要强化学习，只靠模型自己的原始输出就能涨分。更有意思的是，提升还主要落在更难题上，说明它不是在“刷题套路”，而是在改模型分布本身。
北大×小米新方法：施工区域规划更稳了
施工路段最容易把模型训练出的“老司机直觉”打回原形。WorkDrive的思路很直接：先把现场关键事实看清，再把因果链讲明白，最后用一致性奖励把轨迹拽回来，适合关心自动驾驶落地的人细看。
Hough-SIFT来了：线性场景里让SIFT不再“失明”
这篇论文抓住了一个很工程、也很扎心的问题：SIFT在普通场景里挺能打，一碰到百叶窗、栅栏这类线性结构就容易“眼神失焦”。Hough-SIFT的思路很直接——先把图像搬到Hough空间，再让SIFT去那里找线索。
哈工大RainDancer：事件相机让去雨更稳了？
这篇论文最有意思的地方，不是“把事件相机加进来”这么简单，而是先把雨和背景拆开，再让两种模态按角色配合。对动态雨天视频来说，这种“先分家，后合作”的思路，比粗暴融合更像正经工程。
2026新方法：图像理解+生成一体化，采样步数越多越强
这篇论文最有意思的点，不是又堆了一个多模态采样器，而是把“图文互相打架”这件事变成了可修正的过程。文本和图像不再各写各的，而是在同一次去噪里边想边改，挺像老师边讲边在黑板上补笔。
阿里Wan-Streamer新解：视频就是世界加事件流
这篇论文最有意思的地方，不是又堆了一个更大的流式模型，而是把“视频”重新解释成了“世界 + 事件流”。这个视角一换，预训练目标、交互形式、行为控制，全都顺了。
4B参数搞定视频理解？VideoChat3把算力省下来了
一个模型把细粒度动作、长视频问答和直播流主动响应都装进去了，还只用4B参数。更关键的是，模型、代码、训练策略和数据集全开源，社区终于不用对着“半遮半掩”的视频大模型干瞪眼了。
上交大华为联手：vDiT重用计算省16倍能效
视频扩散Transformer最烦的不是“能不能生成”，而是“生成一段视频到底要烧掉多少算力”。Kaleido不跟稀疏注意力硬卷，而是从潜空间通道相关性下手，顺手把算法和硬件一起改了，思路很工程，也很狠。
华为上交大新作：vDiT不删算子也能提速
视频生成模型最烦的不是“不会画”，而是“画得太慢”。Kaleido不走粗暴删算子那条路，而是盯住潜空间里的通道相关性做复用，结果是加速和画质居然能同时保住。
只用一张标注帧！Oxford新方法让心梗定位F1到72.4
这篇论文把“心梗定位”这件事从单视图硬猜，推进到了 稀疏运动先验 + 多视图融合 。亮点不在堆大模型，而在于用一张标注帧撬动整套追踪流程，工程味很足。
