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。
标签：大视觉语言模型
共 105 篇
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。
清华自进化新框架：让机器人学会自己找“坑”，失败率狂降67%！
机器人训练有个“鬼打墙”现象：数据越采越多，失败率却纹丝不动。清华这篇工作直接告诉机器人“哪里不行补哪里”——用一个轻量关键性模型引导数据采集，失败率最高降67%，还顺手解决了VLA微调的平台期问题。思路极简，效果很硬，值得一读。
四大缩放维度首次系统对比：本地CUA堆算力不如“选对维度”
这篇来自汉阳大学的实证研究，把本地电脑使用代理的推理时扩展拆成上下文、时间、结构、并行四个维度逐项考察。结论有点反直觉：额外算力常常不是提升成功率，而是把失败模式从“死循环”改写成“假成功”。对做本地部署的团队来说，这是一份难得的避坑指南。
哈工大等提出PRISM：让AI画画学会“看图自改”，TIFA飙至91.4%新SOTA
文生图提示优化一直是热门，但之前的方法要么只看文本要么只给分数，缺少结构化图像诊断。PRISM另辟蹊径，用一个VLM同时当裁判和教练，先看图挑毛病再针对性改提示，最后用强化学习让模型越改越好。在TIFA上从76.1飙升到91.4，关键是可解释性极强——每个修改都有理有据。
0.2B参数、1GB显存，32Hz实时控制！华中科大&华为新VLA范式TurboVLA
大模型驱动的机器人VLA虽然强大，但推理慢、显存高。TurboVLA反其道而行，直接跳过LLM，用双向视觉-语言交互实现32Hz实时控制，仅需0.2B参数和0.9GB显存，性能却比肩甚至超越十亿级模型。机器人部署从此不再高攀不起！
GPT-5.4全剂量“虚构”，Claude词触发“看人下菜”
想象一下，你带了一张胸片给AI看病，结果图片没传上去，AI却根据你的年龄和肤色直接编了个诊断——这不是科幻，是今天这篇ICMR 2026论文的实锤发现。Claude、GPT-5.4和Gemini集体“翻车”，而且翻得很有规律：65岁白人男性=黑色素瘤，32岁黑人女性=结节病。更离谱的是，有些AI文字说“没图”，但结构化的诊断字段却填得满满当当。对AI安全感兴
快手&南开RecoReward：用推荐器反馈训练描述生成，召回提升40%，推理零用户信息
这篇论文巧妙解决了多模态推荐中一个两难问题：既要利用用户行为信号优化描述，又要保持推理时纯内容生成。快手和南开提出的RecoReward用推荐器作为训练时的“裁判”，让MLLM学会生成对推荐更友好的描述，离线全面领先，在线也有实实在在的提升。思路新颖，工程上也很实用，值得做推荐系统的同学关注。
Sony AI新作：仅$2000成本，1.5B模型同时搞定图像理解与生成，SOTA还省钱！
统一多模态模型（UMM）过去要么贵得离谱（训练成本几万美元、数据上亿），要么理解与生成总得二选一。Sony AI这篇Argus-Unified直接掏出“混合视觉令牌”方案，把预训练VLM的视觉编码器冻住，只花$2000和1500万数据就训出比7B模型还强的理解能力，生成效果也不拉胯。对搞低预算落地的团队来说，这是一份很实在的参考。
把代码转成图片发给AI，Token能省86%？Anthropic、OpenAI、Gemini 实测揭秘
把代码转成图片发给AI真的能省Token吗？这篇论文用675次真实API调用，把Anthropic、OpenAI、Gemini三家计费黑盒捅了个透。龙哥看完直呼：省钱是有套路，但踩坑也是一踩一个准，尤其Gemini的小代码场景能让你多掏6倍钱。搞编码助手的朋友，这篇不可不读。
