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。
标签：多模态
共 200 篇
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。
Qwen3-VL上新方法：技能库让多模态推理更稳更省
多模态Agent最尴尬的不是不会做题，而是做对一次后，下一次还得从头学一遍。SPyCE直接把成功轨迹蒸馏成可复用技能，并让技能和策略在训练中一起进化，思路很顺，实验也够硬。
RPI这篇新方法，把公交视频分析压到零样本了
公交监控最烦的不是“看不见”，而是“看见了也不知道该看哪”。这篇论文把长视频先压成门、乘客、付费箱三层证据，再把大模型只用在关键片段上，思路很工程，也很实在。
南工大AspectCLIP：组内严管组间放松
CLIP最烦人的地方，不是不会对齐，而是对齐得太“粗”。这篇论文把文本语义当作“方面标签”，先分组再约束，思路很顺，实验也比较扎实，适合想看表征空间怎么被真正修干净的人。
ICLR 2026新作：自动驾驶微调为何越训越忘？
自动驾驶里最容易被忽略的坑，不是模型不会开车，而是学会开车后把老本行忘了。这篇论文第一次把“灾难性遗忘”做成可量化基准，还给出了一种不乱改权重的解法，挺适合认真看一遍。😊
CVPR 2026新作HIVE-3D：单图生成高保真3D场景，层级体素细化更稳
单图生成3D场景，最难的不是“能生成”，而是“生成后还能不能继续细化且不跑偏”。HIVE-3D把粗场景、2D分割、注意力对齐和体素超分辨率串成一条链，思路很工程，也很实用。
报告文本太强了：掩码后AUROC仍0.973
这篇论文最有意思的地方，不是模型把胸片分类做到了多高，而是它专门证明了：有些“高分”其实是报告文本在偷跑。对于做医疗多模态的人，这篇更像一场防作弊演习，值得认真看。
PhysClaw-0：语言纠错让机器人采数据省84%人力
机器人采数据最怕“同一个坑反复踩”。PhysClaw-0把一次纠错变成后面都能复用的规则，省人力还不丢数据质量，属于很会过日子的机器人系统。
东南大学ScanFocus：视频时空定位边界提升5.4%
这篇论文最有意思的地方，不是又堆了多少模块，而是很直接地指出：视频时空定位真正卡脖子的，往往不是“看不见”，而是“边界看不准”。ScanFocus把任务拆成粗扫和细抠两步，思路朴素，但对长视频定位很对症。
清华SCALECUA把电脑智能体拉到68.7%，开源模型新纪录
这篇论文最值钱的不是单点技巧，而是把电脑智能体最卡脖子的三件事一次打通：题不够、采样不准、训练太慢。清华团队把可验证任务合成、前沿采样和视觉上下文分割拼成一条流水线，直接把开源模型推到 68.7%。
A100上跑历史翻译？DPO在这篇论文里赢了
这篇论文最有意思的地方，不是“翻译”本身，而是把古手稿识别、现代越南语生成和偏好对齐揉成一个端到端问题。PPO、DPO、KTO三种RLHF路线同台对决，结果也很诚实：DPO在多数翻译质量指标上最稳，PPO更偏覆盖，KTO则保留了自己的性价比。
