广工等三校提出RVSD：剪掉67%视觉token，视觉大模型反而更少幻觉
大型视觉语言模型（LVLMs）的视觉幻觉问题，本质上是个“看图说话翻车现场”——模型明明没看见那个物体，却说得言之凿凿。
标签：涨点神器
共 119 篇
复旦携手小红书最新：给文字渲染装上“定位锚”，生成长文准确率暴涨10.3%
让AI准确渲染又长又密的文字，是图像生成的“最后一公里”。复旦携手小红书放出一招“位置锚定”新设计，把文字准确率直接拉高一大截，海报再密也不怕了。
ACM MM'26香港城大新作：专治多模态推荐“标题党”骗局，反向净化噪声还能涨点11.28%
这年头，连推荐系统都会被商品的“照骗”带偏？香港城市大学等团队在ACM MM'26提出的OrthoRec，用正交几何的办法把视觉与文本里的“标题党噪声”给拧出来，从源头防污染。三位一体设计（CGOP+TAR-MoE+safe-SSL）逻辑自洽，三个Amazon公开数据集上全面刷新最优，最高提升11.28%，冷启动和抗噪表现也很扎实。想做靠谱多模态推荐的同学，
把病灶“外形”和“纹理”拆开学，SAUF-Net把Dice拉到91.98%
标注数据稀缺是医学影像落地的头号绊脚石。SAUF-Net把视野从“预测结果的一致性”拉到“内部特征表示是否可靠”，用“结构-外观解耦”的思路直接回应伪标签误差累积这个老大难问题，在5%标注率下打出了超越不少10%标注方法的效果，值得所有做半监督分割的读者花几分钟看看。
一次预训练让检索大涨55%？遥感基础模型的“成分感知”新范式
很多人第一次看卫星图会觉得诧异：为什么遥感基础模型的检索效果总是不如预期？明明模型参数已经加到几亿甚至几十亿，预训练语料也够大，遇到“港口”“农田”“城市”这类场景，还是经常把完全不同的图像混在一起。
冻结VLM也能救模态缺失？纽约州立大学提出TLP，只调logit涨8个点
龙哥先问一个场景：你正在用CLIP做图文检索或者分类识别，模型在完整图文输入下表现一切正常。结果换上真实业务数据，图像传感器抽风了、文本因为隐私脱敏被清空了、数据库某个字段残缺不全——模型性能瞬间崩掉一大截。
让冻结LLM学会“脑内潜思”：循环潜思维LRT，符号推理暴涨26.7个点
当思维链还在“一字一句”硬凹推理时，这篇论文直接让冻结的LLM在“脑内”用向量打草稿。仅训练1130万参数，就在符号推理上把零样本思维链拉高26.7个点，推理延迟还更低。是时候重新审视“推理必须说出口”这个前提了。
港中文·微众AI等提出SinkPruner：先清注意力“下水道”再精剪
想要看懂SinkPruner，得先搞清楚一件事：多模态大模型（Multimodal Large Language Models，MLLM）里，最烧钱的其实不是“看”，而是“看完之后怎么记、怎么算”。
哈工大SAGE新作：不靠标注，让模型摆脱“背景骗局”，最差组精度飙至89.5%
模型总爱“看背景下菜碟”？哈工大团队提出SAGE，不靠任何人工标注，用聚类子标签驱动扩散模型定向补数据，直接把最差组精度拉到89.5%，专治各种“背景骗局”。
告别4K卡顿！新南威尔士大学提出P-PatchDif：低光增强提速80倍，显存不到9G
拍完夜景想发朋友圈，结果暗部一团黑、亮部还偏色？这篇新南威尔士大学的工作把分块扩散模型玩出了新花样：分块尺寸随时间步渐进增大，既保住局部细节又协调全局亮度，4K图像推理提速80倍，显存仅需8.8GB，简直是低光增强领域的"效率控"福音。
ACM MM 2026：让AI“看清”每一个目标！中科院提出SSDE，十个基准全面SOTA
当一句"穿红衣服的人"出现在一群长相相似的人堆里，AI如何精准锁定目标？中科院自动化所最新研究给出了答案：从语义和空间两个维度同时增强判别力，让AI在多目标、无目标等复杂场景下也能看得清、找得准。这项发表于ACM MM 2026的工作在十个基准上全面刷新SOTA，值得每一位关注多模态理解的研究者细读。
5米小望远镜能量阈值暴降3倍！视频Transformer重启40年IACT分析
1985年，Hillas提出了一套简洁的图像参数化方法，将切伦科夫相机记录的光斑压缩成长度、宽度、大小、方向等参数。这套方法高效，被IACT数据分析沿用至今。
