密歇根州立最新研究：仅用一个线性变换，让人脸向量“说出名字”
想搞清空心阴极灯里原子蒸气到底有多密、有多热？杜伦大学这篇把银原子吸收谱从“经验判断”变成了“定量可算”。模型简单、拟合漂亮、代码开源，对做原子物理、量子传感、激光稳频的读者来说是个不错的参考样板。
标签：大视觉语言模型
共 105 篇
南开&大疆EyeControl：随手画几笔，AI修图让主角“破墙而出”！
拍完照片，别人看主角还是背景杂物？调亮度、加对比度、局部压暗……折腾半天，效果不佳。
Apple实测：世界模型多塞2.4亿参数，技能发现反而四连跌
在机器人学习圈子里，长期存在一个有点“程序员味”的执念：能不能别让模型把每个动作都当成一行新代码来背，而是像人写程序一样，先把“拿起”“放下”“对齐”这类子技能抽成函数库，遇到新任务直接调用？
一条指令18个目标，Qwen/Flux靠“导演”终于不翻车
设计师一条需求写上200字，AI画图却常常翻车？本文提出LGBench基准，把长指令拆成18-22个目标，暴露出现有模型的脆弱；而VisionDirector像导演一样规划、执行、验证、回滚，让Qwen、Flux等模型在GenEval和ImgEdit上双双刷新SOTA，编辑轮数还减少了26%。
幻觉检测最新方案！Pearson 0.413+干净IoU 91.3%，速度还快120倍
多模态大模型天天一本正经地胡说八道，怎么精准揪出幻觉片段还给出靠谱置信度？这篇论文把判别式标注器和生成式VLM拧成一股绳，Pearson 0.413、干净响应IoU超91%，推理还快120倍，值得一读。
发票拍照总翻车？华南理工精准恢复关键区域，让文档问答更靠谱
拍文档照片最怕什么？阴影、模糊、歪斜、摩尔纹——哪怕是最强多模态模型也会当场翻车。直接拿恢复工具全图修一遍？可能越修越糟糕。华南理工这篇论文给了个聪明的解法：让模型自己判断“现在能不能答”，不能答再精准修复，修坏了还能自动回滚。全程免训练，效果逼近人类专家。
LAION-BVD开源：1000万小时视频，多模态预训练一次喂饱
当开源视频数据集还在几百万视频级别徘徊时，LAION直接把数字拉到了8000万视频、1000万小时，还一口气验证了视频、音频、图像三种模态的预训练效果。这种级别的数据弹药，对做多模态研究的团队来说，值得好好研究。
同济开源AfordAny：单张照片搞定3D功能定位，473类基准领跑
单张照片就能告诉机器人“杯子把手在哪、椅子坐哪里”？同济大学与中科院最新开源AfordAny，把开放世界3D功能定位做成了端到端流水线，473类基准直接拉满。
CVPR 2026！人大&清华R²VLM：长时程任务进度估计MAE骤降92%
史上最亮伽马暴GRB 221009A飞过天际时，IXPE用了三天才转过头，偏振只能给出一个上限；而规划中的EXPO能在约50秒内自主重指向，把"上限"变成"精度"。这篇文章讲的就是这台把X射线偏振能段拓宽4倍、重指向快8000倍的下一代空间天文台。
Apple最新研究：视频推理不再"画未来"，延迟降5倍+
这篇来自Apple的新研究直接把“视觉思维”做进了训练：模型在训练时预测未来帧的潜在表示，推理时不再生成中间图像，端到端延迟比显式视觉CoT降低5倍以上，同时在6个评测设置上稳定超越纯文本后训练。对视频理解、实时预测和统一多模态模型感兴趣的同学值得细读。
2B小模型效果优于GPT-4oMIT/IBM开源150万图表数据集
图表理解长期卡在数据上：规模小、模态不全、代码缺失。MIT、IBM联合开源ChartNet，150万张图表、24种类型、6种绘图库，五种模态完全对齐，居然让2B小模型在图表重建、数据提取上超越GPT-4o，这数据质量有点东西。
康奈尔新基准揭秘：GPT-4o看电影败在“看不见”
康奈尔大学CVPR 2026新作，用电影解说视频自动构建8231个问答对，提出无参考评估新范式。结果发现GPT-4o、Claude 3.5等顶级模型看电影，视觉几乎帮不上忙，纯靠字幕反而分更高，值得所有做多模态的人细品。
