6G新方向：TokCom把通信变成token协作
这篇 TokCom 很有意思，表面看是 6G 通信，骨子里其实是在把“传比特”改造成“传语义、传 token、传状态”。它真正想解决的不是带宽多一点少一点，而是 AI 系统在边缘、云和多智能体之间怎么更省、更稳地协同干活。
标签：多模态
共 200 篇
nuScenes上实测：红灯竟比大车更“有戏”
自动驾驶模型最怕的不是“看不见”，而是“看见了却不知道到底信了谁”。这篇工作直接把单个目标从画面里抹掉，再看轨迹怎么变，黑盒里谁在捣鼓方向盘，终于有机会被点名。
ICML 2026这篇论文在问：地图对机器还重要吗？
地图到底是给人看的，还是给机器看的？这篇论文直接把这个老问题拉到多模态大模型时代重新拷问了一遍。2400张合成等值区域图、12000道题、22个模型，结论很实在： 地图没有过时，反而在高层次空间推理里更像“外挂” 。
7,147条样本实测：融合模型比单模态更稳
点击诱饵这事，最阴的地方不是“标题党”，而是标题和缩略图一起演戏。BanClickThumb把孟加拉语 YouTube 的这套“组合拳”做成了可复现基准，文本、图像、融合三条线一起比，结果很清楚：只看图不够，只看字也不稳，融合才更像正经干活。
ArtChart来了：艺术图表也要讲数学，双语基准首发
这篇论文最有意思的地方，不是“让图表更好看”，而是把“好看”和“正确”这对天生互相打架的目标，硬生生拉到了一张桌子上。它不只给出方法，还顺手做了一个双语基准和六轴评测，属于能直接拿来做后续研究的那种工作。
StructGen来了：多参考图像生成告别张冠李戴
多参考图像生成最怕什么？不是模型不够大，而是参考一多，语义就开始打架。StructGen 直接把参考图像做成“字典”，用标识符把人、衣服、场景钉死，思路很工程，也很实用。
不碰文本也能改记忆：LUCID揭开多模态智能体新漏洞
多模态智能体最怕的不是答错，而是把错的东西“记牢”。这篇论文直接把矛头对准长期记忆：攻击者只改一张图，就能在黑盒条件下把记忆系统带偏，而且五种后端都没能幸免。更关键的是，它把“检索被命中”和“模型真的信了”这两件事分开看，结论很扎实。
Anthropic最新研究：Claude Opus 4.7安全与能力双线升级
Anthropic这份系统卡很像一份“体检报告”：一边告诉读者 Claude Opus 4.7 在软件工程、长上下文、代理搜索上更能打，另一边把生物、网络、对齐风险也摊开讲清楚。好看的不是口号，是它把“能力提升”和“安全边界”一起量化了。
Apple Research最新论文：3步从图像集合悟出概念
这篇论文最有意思的地方，不是又造了一个更会“听话”的模型，而是把问题反过来：模型能不能从几张示例图里自己悟出共同概念，再拿去指导生成？Apple Research这次盯上的，就是视觉模型最容易翻车、但也最像人类学习的那一口气。
0.8B端到端文档解析SOTA：OvisOCR2怎么做到的
阿里这次没玩虚的，直接把文档解析从“流水线拼装”拉到“端到端一把梭”。0.8B 小模型能在公开榜单上登顶，关键不在嘴上说模型小，而在数据引擎和训练 recipe 真把小模型喂明白了。
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。
