语义token+扩散渲染：Vega新范式
视频理解和视频生成长期像两拨人：一边要“看懂”，一边要“画准”。Vega直接把两件事塞进同一个框架里，还用3B参数在多个基准上打出了很能打的成绩，值得细看。
标签：多模态
共 200 篇
Stanford新方法：机器人偏好学习告别“总分制”
机器人偏好学习最烦的不是“没数据”，而是“数据看起来很多，实际全在讲废话”。这篇 FPL 直接把偏好拆成速度、安全、质量等自然语言轴，监督更细，策略也更会“看脸色”了。
视觉重聚焦新招来了：VisRef固定预算反超文本自省
多模态推理最怕“越想越跑偏”，这篇 VisRef 直接把问题说透了：不是单纯让模型多想，而是让它想的时候还记得回头看图。无需再训练，固定预算下还能稳定涨点，工程味很足。
哈工大联手华为：InstanceControl让复杂生成不再属性混淆
复杂多实例生成最烦的不是“画不出来”，而是“画对了对象却串了属性”。InstanceControl 直接绕开手工实例标注，用视觉语言模型先把文本和区域对上，再用自适应掩膜细化兜底，思路很工程，效果也很实在。
音乐大模型别只看准确率：这套体检把“真懂”测出来了
这篇论文最狠的地方，不是分数有多高，而是它把“高分幻觉”拆得很难看：二元问答能蒙混过关，真到区分相近乐器、长上下文和时间定位时，很多模型立刻露馅。对做音频大模型评测的人来说，这篇更像一份体检单。
武汉大学新方法：低分辨率文本搜图提升5.7%
监控里的图一旦糊成马赛克，文本搜图就容易“认错人”。这篇 CRST 不去硬修像素，而是直接把高分辨率的语义和排序能力迁移给低分辨率检索，思路很实战。
FedLAB来了：联邦多模态图学习首次把“可追溯”做成码本
联邦图学习最烦的不是没效果，而是模型一张嘴就“说不清证据链”。FedLAB直接把模态证据、节点语义、拓扑上下文拆成三层码本，既能学，也能查，算是把黑箱拧成了可审计的抽屉。
复旦字节新方法：CAD代码生成提升8.87%
这篇论文把 CAD 代码生成从“会画个大概”往“能执行、能编辑、能落地”推了一大步。更有意思的是，它不是单模型硬扛，而是让多个异构专家协作，再用强化学习把这些专家的长板拼起来。
NVIDIA离散扩散新作：1024文生图冲上SOTA
NVIDIA 这篇没有走“越大越强”的老路，而是盯着离散扩散最烦的两个痛点下手：不会自我修正、词表一大就学不动。结果很直接，1024 分辨率文生图拿到 SOTA，训练还更省显存。
少量样本就能补齐数据鸿沟？AstraZeneca这篇很硬
AstraZeneca这篇工作很实在：不搞端到端硬训练，而是用一个轻量对齐模块把病理图像和RNA嵌进同一空间，再把“基因集”变成可查询的开放词汇提示。结果不只是在检索上提升明显，还能在临床试验和跨队列迁移里站住脚，属于能落地的那种新思路。
人民大学+智谱AI新作：训练用思维链，推理直接跳过
这篇论文最有意思的地方，不是把机器人做得更“会说”，而是把“会想”和“会动”拆开了。训练时让模型认真做具身思维链，推理时又把这层思考直接跳过，工程味很足，值得细看。
SpatialUAV来了：低空无人机空间智能，GPT-5也没跑多远
低空无人机不是“拍得清”就算懂空间，真正难的是跨视角、几何关系和运动理解。SpatialUAV把这件事拆成14类任务，结果很直接：主流模型离人类还差得不小。
