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。
标签：数据集
共 128 篇
西交&中大MICCAI 2026：死后组织“生前还原”，专家盲选23.81%胜出
法医病理误判的潜在风险，被一次脑洞大开的「图像翻译」给盯上了。本论文首次把薛定谔桥搬进死后自溶恢复，不搞像素级配对，直接学分布映射，还建了首个真实数据集AutoPath。更狠的是，它证明FID这类老牌指标在诊断场景里可能「帮倒忙」——专家盲评和滑片级诊断一致性，才是硬通货。
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。
首个危险品海运合规基准：13款LLM实测，Gemini接收但安全项翻车
危险品海运合规，写错一个隔离码就可能火烧连营。这篇论文首次发布DGEval基准，用1678道题横评13款大模型：Gemini 3.1 Pro总成绩碾压人类从业者，却在积载、隔离等最要命的环节集体翻车。漂亮总分之下藏着哪些安全盲区？这份答卷值得所有做AI落地的人细读。
阿里USB基准发布：5274条真实购物轨迹，支持多轮强化学习
电商推荐系统想离线做策略评估，最缺的就是一个“真实买家”。阿里和人大等团队提出的RecVerse，让模型真的去看截图“逛街”，还配了套三层记忆和轨迹级奖励，模拟出来的购物行为既像真人一样会犹豫比较，又能买到用户真想买的东西，顺手开源了5千多条真实轨迹的交互式基准。做推荐、做用户增长的同学值得一读。
数字比大小难倒一片大模型，NAACL基准揭示“数盲”真相
数学解题能力强，不代表真的“懂数字”。这篇NAACL论文把数值能力当成自然语言推理任务来测，一口气跑了49个模型，结果发现数学专用大模型只在算术上占优，数字比较和归一化反而拉胯，值得每一位关注LLM推理能力的读者看看。
上海交大浙大开源OdinEval：冷门语言修复实测，Kimi-K3成功率仅66.7%
大模型修代码的评测大多扎堆Java和Python，冷门系统编程语言几乎没人管。上海交大、浙大这篇OdinEval把目光瞄向Odin语言，用168个真实issue把6个大模型拉出来遛了一圈，还给出了一套可复现性拉满的评测协议。想看看Kimi-K3、GLM-5.2这些模型在陌生语言面前谁更能打，这篇必读。
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。
汤森路透新基准：GPT-5.5审合同召回率仅75%？
想象一下这个场景：一笔并购交易历经数月谈判，终于在截止日前夜敲定了最终条款。此时，一位律师揉着布满血丝的眼睛，逐行核对一份几百页的合同——不是在看条款对不对，而是在找"错别字"级别的硬伤：某个大写术语在这里为什么没大写？
让AI学会货比三家？普林斯顿这个基准至今无人超越
这篇被引1300+次的开创性工作，来自普林斯顿大学。WebShop用118万件真实商品和1.2万条人工指令，把“语言智能体”的评测从玩具级任务搬进接近真实的电商场景——AI要自己读懂需求、搜索商品、挑选项、下单。更难得的是，训练好的智能体能零样本迁移到真实Amazon和eBay，是语言grounding方向绕不开的经典基准。
浙大开源24小时心电基准：GPT-5也翻车，微调后准确率99.7%
24小时动态心电（Holter）是诊断心律失常的金标准，但多模态大模型在超长时序信号面前几乎“失灵”。浙大等团队开源Holtercare-Bench基准与Holtercare-23K数据集，用信号-视频-文本三模态对齐，让GPT-5、Qwen3-VL等模型首次系统性接受“心电马拉松”考验——微调后时序定位准确率飙到99.7%，差距比想象中更大。
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。
