Google DeepMind最新Gemma 4：31B冲上开源榜前列
Gemma 4最有意思的地方，不是单纯把参数做大，而是把“思考模式”、长上下文效率、无编码器多模态和量化推理一起打包了。开源模型里这种“性能、效率、部署”三线并进的做法，确实值得认真看。
标签：多模态
共 200 篇
ICML 2026新思路：MLLM回读似然，零样本变奖励模型
这篇论文最有意思的地方，不是又训练了一个奖励模型，而是把“奖励”这件事倒过来做了：让预训练多模态大模型回读提示词，看图能不能把原话读回来。结果很直接——不用偏好标注，不用再养模型，照样能把文生图强化学习带起来。
哈工大深圳新框架：医学分割从三套系统变一套
医学分割最难的不是“切得准”，而是“接口太多”。这篇论文把视觉示例、点框交互、文本指令和2D/3D影像统一到一个Transformer序列里，思路很硬，工程味也很足。
Apple最新论文：音乐搜索长尾召回涨7.93%
Apple Music 的搜索问题很典型：热门词好搜，长尾、拼写错误、跨语言查询最难办。ELISE 的厉害之处不在“模型更大”，而在于把语义召回、旧词项检索和分布校准接到一起，最后还真在全球线上实验里把转化率和无结果率一起打下来了。
84.1%登顶！小VLM测试时缩放，解析格式比束搜索更关键
这篇论文最有意思的地方，不是又堆了多少花活，而是把小型视觉语言模型的“考试成绩”拆成了两件事：先能不能把答案写出来，再谈会不会想。结果很不客气——很多提升其实来自解析格式和 token 预算，不是复杂搜索。
真实商店实测：非语言动作让机器人多接住15.3%对话
这篇论文最有意思的地方，不是把机器人“说得更像人”，而是先承认一件很现实的事：顾客很多时候根本没开口，机器人却已经该接话了。15.3%的回应由无声动作触发，这个数字很扎眼，也很适合拿来反思纯语音对话系统的盲区。
北京理工大学新方法：让模型“说实话”再追求精准
这篇论文把一个很现实的问题挑明了：多模态大模型不是不会说细节，而是细节一多就更容易“翻车”。GRANFACT、层级评测和RP-DPO三件套，正好把“说得更细”和“说得更准”这对老冤家拎到台面上狠狠干一架。
CVPR 2026前后脚？DriveVer让自动驾驶“先验再改”，34M参数补上安全一刀
自动驾驶最怕的不是“不会开”，而是“开错了还直接上路”。这篇 DriveVer 很有意思：不重训大模型，偏偏把活放到测试时做二次验证和修正，34M 参数、80ms 推理，工程味很足。
上海交大蚂蚁新方法：连续推理狂飙32%
多模态大模型最烦的，不是不会想，而是训练时偷看答案、推理时却只能裸奔。AMVL直接把这个“作弊窗口”堵上，用双向KL同时管住先验和后验，思路很硬，实验也够实在。
Pocket FM新作Magnet：100页故事幻觉少一半
Pocket FM这篇不是单纯“让模型会写故事”，而是把“角色怎么想、世界发生了什么、下一步该往哪走”拆成一套闭环系统。更关键的是，Atlas 还专门负责抓长篇里的情节打脸，终于不是只会写，连自查也安排上了。
Thermal-Det来了：零样本热成像检测，AP最高提升到0.372
热成像检测最烦的不是“看不见”，而是“看见了也不知道它叫什么”。这篇 Thermal-Det 直接把开放词汇、语言引导和跨模态蒸馏塞进热成像里，还真把零样本检测做出了像样的结果，属于能落到真实场景的那种活儿。
CVPR 2026新作CIGMA：剪掉“坏头”，ViT背景依赖直降88%
这篇论文最有意思的地方，不是“又做了一个剪枝”，而是把ViT到底在看什么这件事，往因果层面往前拽了一步。它不靠重训，直接定位并切掉那些专门走背景捷径的注意力头，思路很狠，实验也够硬。
