单目预训练+3D蒸馏，GeoLaV冲上SOTA
这篇论文最有意思的地方，不是又堆了一个更大的视频模型，而是反其道而行之：先拿单张图做几何预训练，再把3D教师的结构先验蒸馏进去。结果很直接——图像数据也能学出视频所需的空间一致性，最后还在多个基准上冲到SOTA。
标签：多模态
共 200 篇
UFES新作：图像+表格Mamba做癌症分类
这篇工作最有意思的地方，不是单纯把Mamba搬进医疗场景，而是把图像和表格信息拆成两段来处理，既保留了诊断流程的直觉，又把解释性补了回来。PAD-UFES-20和NDB-UFES两套数据都跑了，结果不算“碾压”，但在召回率和可解释性上确实有看头。
视觉ToM新方法：PGD负样本让大模型少瞎猜
这篇论文的切口很狠：不去讨论“多模态大模型会不会推理”，而是直接问它们在只看视频时，能不能别靠语言偏见乱猜。VisionToM 不是简单微调，而是拿注意力头开刀，思路清楚，代价也低，适合真正想把可解释性做成工具的人。
AMD新方法HPP：34K帧视频也能程序化调试
长视频最怕的不是“看不懂”，而是“看得懂一点点，却被海量冗余帧淹没”。HPP把感知和推理解耦，让编码型大模型像程序员一样分层探测视频，思路很硬核，成本也更像工程方案而不是玄学。
2026最新DFM：不用只靠生成，变化描述也能更会看图
遥感变化描述最烦的，不是模型不会看图，而是太爱“说套话”。这篇DFM专门盯住这个毛病：用文本引导的对比学习把视觉特征往“该说的变化”上拽，再拿变化检测先验补一脚，思路很工程，也很对症。
腾讯+清华新作ViQ：离散视觉表示也能兼顾理解和重建，效率最高提速70%
ViQ这篇很像“把图像也做成词表”的认真尝试：既想保住细节，又想让视觉表示更适合多模态大模型。最有意思的是，它不是只顾理解，也没把重建丢掉，效率还真提上来了。
复旦等机构新框架OmniAct：40个真实任务更稳了
这篇 OmniAct 很适合机器人/具身智能方向的读者：它不是把“规划、记忆、执行”揉成一锅粥，而是拆成三层各司其职，专门解决长程任务里最烦的两件事——工具太杂、失败太多。更有意思的是，它在真实家庭场景里把开源模型也拉到了接近商用的表现，思路相当顺手。
阿里浙大ForeAgent：鉴伪准确率93.3%
阿里和浙大这次把“鉴伪”做成了会自我进化的智能体：先看语义、再看频域、还会调用空间专家，最后靠事后驱动反复打磨推理链。更有意思的是，它不只追求答对，还在和 GPT-5 比谁更会“讲道理”。
阿里+浙大新作ForeAgent：AI作图鉴伪，准确率冲到93.3%
阿里和浙大这次没走“单次判断”老路，而是把AI鉴伪做成了一个会看、会判、还会反思进化的智能体。更有意思的是，它不只追准确率，还把推理质量也一起往上拽。
VLM当考官！这篇RL新法让桌面智能体提分12.6%
桌面智能体最烦的不是“不会做”，而是“做完了也不知道算不算对”。这篇论文把 VLM 变成自动考官，再把考官的口误做噪声校正，思路很实用，结果也挺扎实，适合想看 Agent 怎么真正学会干活的读者。
清华字节新方法：不用CoT冷启动也能学会重看视频
这篇论文把“看视频”拆成了三件事：先粗看定位，再重看细节，最后重答修正。最妙的是，它不用冷启动的长串 CoT 标注，直接靠强化学习把重看能力练出来，省事还挺能打。
ICRA 2026新作FEARL：机器人安全也能可验证，碰撞率降到0
这篇论文最有意思的地方，是把“基础模型很强但不好验”这个老大难，拆成了一个能落地的工程问题。大模型负责看图、听话、想任务，小安全模块负责把关，形式化验证只盯住后者，思路很干净。
