全球最大超声原始通道数据集：斯坦福×英伟达等38家机构开源40TB
超声原始通道数据一直是块硬骨头：临床机器不给导，各家格式各说各话，一次采集动辄几个G。这篇把38家机构的约40TB数据拧成一个统一格式的开放语料，19,332次采集、覆盖从波束形成到血流成像再到智能诊断的十几类任务，算是给超声基础模型铺了块实打实的地基。
标签：多模态
共 226 篇
斯坦福&清华提出SFG：压制图像反馈，FLUX文生图GenEval涨至0.7479
文生图模型里藏着一个不太被讨论的回路：图像会通过联合注意力，把自己的内容"回写"到内部文本流里。问题是，这个反馈到底在纠错，还是在保留错误？斯坦福、清华的这篇论文用移植实验给出了答案，并顺手做了个叫 SFG 的训练无关引导，让 FLUX 的 GenEval 从 0.6661 涨到 0.7479。不改权重、不重训，推理期就能用，值得花时间看看。
印度理工海得拉巴分校：音视频蒸馏提速8倍，10小时压到1.3小时
数据集蒸馏这名字听着很美：用一小撮合成样本，顶掉整个大训练集。可一到音视频这种双模态场景，就撞上两根硬钉子——显存炸裂，以及两个模态各说各话。印度理工海得拉巴分校这篇 X-AVDD 用双向交叉注意力把两件事一起收拾了：合成时间从10小时压到1.3小时，VGGSound 上的准确率从个位数跳到两位数。这波值得拆开看看。
华盛顿大学Reflex：人形机器人接住飞来箱子，真机成功率65%
接住一个扔过来的东西，人类基本不用想。回追一个网球、接住从桌边滑落的杯子、侧身躲开推车、搬货时顺手接住同伴抛来的纸箱，这些动作有一个共同点：目标在动，留给你的反应时间大约只有一秒，而且要用整个身体去接，而不只是伸手。
山东大学等提出MIRA：开源音乐生成追平Suno，意图对齐最高涨11.5分
"来一段像 RPG 最终 Boss 战那样的音乐，钢琴开场，三十秒之后弦乐进来，情绪从压抑慢慢转到悲壮。"
Apple Research最新论文 | 8人一周实测：用户自建感知AI，系统边界能被改写吗？
Apple 和斯坦福的这项工作不去比模型分数，而是追问一件更根本的事：当用户终于能自己定义"要让 AI 识别什么"，传感系统里那些被写死的本体论边界，真的会被打破吗？8 个人、一周、两个只给界面不给算法的探针，答案比想象中拧巴得多。
齐鲁工大提出DiscoVL：参数砍55.7%，视觉语言模型反而更准
CLIP的提示学习已经被卷了三年，绝大多数工作都在往上叠模块；这篇先停下来问了一句：类特定判别信息和类无关的可迁移知识，是不是从一开始就被搅在同一个特征空间里？齐鲁工大等用解耦跨模态对齐器加正交对抗正则给出一种拆法，15个基准一致涨点，参数量还比上一版少了55.7%。涨点幅度不算炸裂，但这个诊断角度值得花时间读。
UIUC×丰田研究院：3万小时第一人称视频，世界模型学不会物体交互
一篇给"数据越大越懂世界"这条信仰做压力测试的论文。丰田研究院联合UIUC、CMU、JHU，拿3万小时第一人称人类操作视频训练世界模型，结果有点扎心：智能体的手放在哪学得又快又准，被它折的那张纸却始终折错。骨架条件化之后，300小时就能顶到基线1.5万小时的水平；而物体交互这条曲线，怎么加数据都抬不起来。作者给出的结论比数据本身更值得读——差距出在训练方式，
上海交大×中国电信统一多模态生成：让模型从自己的图像中学习
论文基本信息 原文标题： 受约束的自我改进（Self-Evolving）——Dreaming in Flow: Generative Grounding Feedback for Self-Evolving Unified Multimodal Models 首次公开： 2026年9月8日 署名单位： 上海交通大学、中国电信人工智能研究院、中国科学技术大学
Meta×中佛罗里达大学多模态检索：3.1B激活参数做到70.4分，算力还能再省50%
论文基本信息 原文标题： MoEMB: Scaling Universal Multimodal Embeddings with Efficient Mixture-of-Experts Models 中文概括： 用稀疏专家扩展通用多模态向量模型，并让不同输入动态使用不同算力 署名单位： Meta AI、中佛罗里达大学 首次公开： 2026年9月8日 原论文
西北大学×斯坦福 Jiajun Wu团队：拓扑空间推理新基准，1.1万题测出大模型“会看不会规划”
论文基本信息 拓扑评测系统（MindTopo）原文标题： MindTopo: Can Foundation Models Reason in Topological Space? 首次公开： 2026年9月11日 01:54（北京时间，arXiv v1） 主要署名单位： 西北大学、微软研究院、斯坦福大学 论文入口： https://arxiv.org/abs
上海交通大学与蚂蚁集团GUI智能体新作：CONFLICTGUARD冲突成功率从6.91%提至58.63%
论文基本信息 原文标题： Do GUI Agents Know When Not to Act? Enabling Conflict-Aware Termination for Multimodal GUI Agents 首次公开： 2026 年 9 月 3 日 主要署名单位： 上海交通大学；蚂蚁集团 具体领域： GUI智能体 核心亮点： 冲突成功率从6.9
