视频推荐只会"哪里相关"？反事实测试揭开"是否真有证据"的谎言
推荐系统平时只知道"你爱看什么"，却说不清"视频里哪一秒、哪个画面真正打动你"。这篇论文设计了一套反事实测试：把证据片段替换掉，看模型还坚不坚持原先的判断。结果扎心——不少模型定位很准，但证据判断相当糊弄。值得所有做视频推荐、时间定位和可解释推荐的读者一读。
标签：多模态
共 226 篇
多智能体还在"群聊"误诊？华南理工新框架把会诊画成推理图，转诊准确率飙到95.3%
一堆AI医生会诊，居然还会“抱团跑偏”？把肺癌晚期患者往肿瘤科一推，完全无视血氧已经掉到危险线。华南理工等机构最近祭出新框架MASGR，把松散群聊升级成结构化推理图，再请来“仲裁官”把关，转诊准确率一口气顶到95.3%。
做多模态总被“缺数据”折磨？这个开源工具要把坑全填平
多模态数据香是香，可一到真实世界就缺胳膊少腿。这篇Nature Communications没有堆新算法，而是把“缺数据”这件事系统拆解，做了一个Python包iMML：25+种方法、六类任务场景验证，还把MATLAB/R老代码重写成Python提速近10倍。做多模态研究的朋友，值得先收藏再看。
视频异常检测告别光流！朱拉隆功大学YOLO+CLIP飙到51FPS
视频异常检测一直是监控系统的刚需，但以往方法又要光流又要姿态估计还要密度评分，管线拖到只有15FPS根本跑不动实时。这篇来自朱拉隆功大学的工作把整个流程砍到只剩YOLO+CLIP两个模型，不依赖光流、不用密度估计、不需要异常样本标注，端到端跑出51.39FPS，直接3.36倍提速。做法不炫技，但工程和产品层面很能打，部署友好的路线值得一看。
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。
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。
KakaoBank新基准：财报电话会“言不由衷”AI听不出，语音回避检测F1最高仅58.5
当CEO在财报电话会上闪烁其词，AI能听出他声音里的“虚”吗？KakaoBank等机构构建的双标签基准DualEvasion揭示：大模型在文本回避检测上接近人类，但语音自信度检测最高F1仅58.5，距离人类表现差距巨大。
UW最新研究：VLM+MR给路痴导航，场景识别提升22%
方向感差不是智商问题，而是注意力投错了地方。这篇论文用20人的VR眼动实验抓出了路痴和认路高手的本质差异，再把这个差异翻译成VLM提示词，做成了混合现实导航系统——直接让场景识别率提升22%，地标回忆数量翻倍。导航软件终于开始考虑“让你记住路”而不是“替你走完路”了。
阿里7B开源原生音视频生成：2K级效果对战33B大模型
视频生成卷到今天，画面早就不稀奇了，但大部分模型要么不出声，要么声音是后期硬贴上去的。阿里DreamX团队直接把声音和画面“打包生成”，还只用了7B参数就敢对标22B/33B的大块头，并且开源了2K精炼器，值得想搞多模态生成的朋友细品。
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。
机器人｜Veo 3零训练完成分割推理，视频模型就是视觉基础模型？
大模型靠语言"封神"，但如果视觉才是通往AGI的真路呢？OpenAI、DeepMind、斯坦福等21位学者联合发布白皮书，正面挑战"语言中心主义"——看完这篇，你对AGI路径的理解可能要重构。
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。
