首尔大学新框架：语音合成“中英混读”不尬了，外语短语零成本母语腔
一个韩国人用中文说“昨天吃了sushi”，sushi到底该按中文腔读还是日文原味读？首尔大学这篇论文，专治语音合成里的“中英混读尴尬症”：不加训、不加模块，光靠推理阶段的巧劲，就能让夹在句子里的外语短语瞬间回到母语腔。
标签：多模态
共 226 篇
北大&Galbot新作：VLA换台就懵？严格零样本跨本体迁移，最高提升18个点
跨本体泛化是VLA从“会干活”走向“干得了所有机器人”的必经关卡，但“零样本”这个词在圈里长期被用得很随意。本论文用严格受控的基准把四种本体变化拆开细测，给出可复现的量化结论：换表征涨15个点、扩源多样性涨18个点、仅5%目标本体预训练数据再涨13.4个点。做机器人的朋友读完能少走不少弯路。
视频面试AI评分91.5%？8B小模型超GPT-5.4还带证据链
想象一下这样的场景：你精心准备了半个月的面试，对面坐着三位表情严肃的考官。他们一边听你自我介绍，一边在打分表上勾勾画画——逻辑思维、表达能力、应变能力、专业素养……十八个维度，每个都得给出0到2分的评价。
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，
杜比实验室新作：AI边看边猜观众哭不哭，1%标注媲美全量SOTA
电影放映前 ，最让人紧张的变量不是画面清不清晰、声音大不大，而是观众看到第 17 分钟会不会笑、第 42 分钟会不会哭、结尾字幕亮起来时会不会觉得这钱花得冤枉。
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。
Adobe新作：给扩散模型加“概念级”水印，画风被抄也能溯源91%+
AI生成内容的版权保护一直是个复杂话题。生成一张"梵高风格的戴珍珠耳环的猫"成本不到一秒，但版权归属问题却难以解决。传统水印在像素空间里做文章，但容易失效。
弗吉尼亚理工提出IntroConformal：让大模型自查"看图说话"，弃权率狂降57%→25%
大模型"看图说话"时编造细节，一直缺乏严格的统计约束。弗吉尼亚理工这篇工作用模型自己的"内心独白"替换外部验证器，照样把错误率控制在数学保证范围内，还顺手把弃权率打了下去。值得所有关注多模态可靠部署的读者一读。
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”。
弗吉尼亚大学提出DP-TabImage：一份隐私预算，让表格和图像“成双成对”还不泄露
想象一下这样的场景：医院的影像科里，一张胸部X光片总是和病历表格里那串诊断代码、年龄、性别等信息绑在一起出现。
盲人用电脑有多难？Stony Brook最新研究：AI助手成功率仅52.5%，理想与现实差距有多大？
当全世界都在卷Agent能力时，这篇由Stony Brook University和Old Dominion University合作的论文，罕见地将目光投向了最容易被忽视的用户群体——盲人。它用一份扎实的、基于真实世界1258条指令的实证数据，狠狠给“无所不能”的计算机使用代理（CUA）泼了盆冷水：最强模型成功率也仅52.5%。
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。
