把CT、胃镜、化验单喂给AI后，胃癌诊断AUC涨了6个点
胃镜、CT、化验单、报告，医生从来不是单看一样就下结论。Gastric-X把这个真实逻辑搬进了AI基准：四期CT+内镜+生化指标+报告全部对齐，还配了2.6万条VQA。想让医疗VLM真正学会"综合判断"，这份基准值得一读。
标签：大视觉语言模型
共 101 篇
跨域分类不用纠结：MLLM当调度员，让每张图找到最懂它的专家
做AI的都知道，图像分类这活儿，看着简单，做起来全是坑。尤其是当你把模型从实验室搬到现实世界，面对的不是单一数据集的“温室环境”，而是医疗影像、卫星图、人脸表情、日常物体照片混在一起的“修罗场”。
中科院自动驾驶"错题本"：26毫秒现学现卖，Navtest冲到94.1
老司机最怕的不是路况差，而是同一个坑栽两次。这篇论文给自动驾驶大模型装上一个"失败记忆库"，用结构化解耦检索加上解耦LoRA测试时训练，让模型现学现卖、遇险纠偏，还把NAVSIM双榜SOTA收入囊中，代码已开源。
商汤新研究：AI先规划再看视频，token省90%，长视频理解还能更强？
看长视频最怕"看多少、看哪里"的选择困难。商汤这篇EVA直接用强化学习把"先规划再看片"的训练出来，多个长视频基准提升6-12%，视觉token还省得惊人。让AI学会"聪明地看"，这个方向值得重点关注。
仅1500张图让ViT学会看“鸟喙”，CVPR 2026新方法鲁棒性大涨
本论文针对视觉Transformer在分布偏移下依赖背景等虚假相关性的顽疾，提出概念引导微调（CFT）。仅用1500张图、无需人工标注，让模型注意力从背景转向鸟喙、鱼鳍这类判别性语义概念，五个OOD基准一致提升。CVPR 2026 Highlight，代码已开源，可复现性强，值得细读。
计算开销砍98.7%，成功率不降反升：VANE重新定义机器人测试时训练
机器人部署最怕什么？模型离线训得好，一到现场就“水土不服”。理想汽车联合多所高校提出VANE框架，把测试时训练做成“提案—验证—提交”的可靠流程：用未来视觉表征预测当监督信号，只在关键时刻更新，错了还能回滚。SimplerEnv上WidowX平均成功率提升3.2个百分点，反向传播计算量削减98.7%。把“边干边学”从口号变成了可信工程。
中科院新作：视频大模型幻觉克星VADER，EventHallusion飙至72.6%
视频大模型对着画面侃侃而谈，却常常“睁眼说瞎话”？中科院团队提出VADER，一个纯推理期干预的训练无关框架，让LLaVA-Video-7B在EventHallusion上飙到72.60%，还顺手超越了依赖额外训练的TPO与RRPO。不微调也能这么能打，值得一读。
CVPR 2026新国立：先白平衡再调光，跨相机色彩恒常误差大降32%
让大模型当"色偏裁判"？新国立这篇CVPR 2026论文把跨相机白平衡玩出了新花样：不直接回归光照，而是先白平衡、让视觉语言模型判断残留色偏、再迭代修正。四大基准全面碾压现有方法，最差场景误差几乎减半，思路清奇还实用。
埃默里+芝加哥最新研究：说句话AI就改轮廓，胶质瘤分割DSC涨2.2%
化疗靶区勾画要改一处轮廓，AI直接"听懂"人话动手改——这是三维医学影像分割基础模型VoxTell与文本指令结合的一次亮眼尝试。冻结全部预训练权重，只训练一个轻量指令分支，就能让模型按临床语言精确编辑亚区轮廓，正确指令在跨数据集测试中比矛盾指令高出0.047的Dice分离度，方向对了。
零样本图像描述卡壳3年？3个检查点把CIDEr拉到117.6，无需任何配对数据
零样本图像描述三年没挪窝，这篇论文用多检查点对齐评分框架，推理阶段把CIDEr从108.0干到117.6。不重训描述器、不吃配对数据，全靠把评分器插在更多位置上——早该这么干了！
Apple最新研究：不靠GPT-4V，BDHS免费造出高质量幻觉数据
苹果出品，必属精品？这篇论文直接把多模态对齐的“水分”挤干了——不靠GPT-4V、不靠人工标注，用一招“蒙住眼睛”的BDHS方法就能生成高质量偏好数据，效果还能打。对于想低成本做多模态对齐的人来说，这绝对是值得读的“省钱秘籍”。
中科大DAVET：扩散视觉语言模型按需“喂”视觉证据，平均提速1.55倍
扩散视觉语言模型快不起来，根子在于每一步去噪都在反复“看重”同一批视觉token。中科大这个DAVET直接把“视觉证据何时给、给多少”当作资源分配问题来做，不训练不微调，平均提速1.55倍、质量仅掉1.86%，思路相当实用。
