9大消融实验验证：比亚迪混合世界模型凭什么成为自动驾驶新标杆
当自动驾驶世界模型还在像素级预测的"精细"与潜变量预测的"鲁棒"之间二选一时，比亚迪团队直接端出了一盘"混合大餐"——HyWorldVLA。预训练阶段同时预测像素和潜变量，既保住了细粒度时空建模，又继承了潜变量的抗噪能力。NAVSIM v1/v2双榜夺冠不是最惊艳的，雨雾场景下PDMS高达86.87（竞品仅60+）才真正让人眼前一亮。一句话：不做选择，全都要
标签：大视觉语言模型
共 105 篇
一张黑图就能蒸馏？VCSD让Qwen3-VL全系飙升4.77%
自蒸馏方法通常需要特权答案或视觉证据标注来制造教师-学生不对称性，而本论文来自马里兰大学等机构，提出一个极其简洁的替代方案：只需要一张内容擦除的黑色图像，与原始图像下教师模型的预测做对比，就能构建出有效的自蒸馏目标。在Qwen3-VL和Qwen3.5全系模型上，VCSD稳定提升1.86%-4.77%，且无需外部教师、推理时零开销。方法既巧妙又实用，值得关注。
西交大提出Quant Experts：token级量化补偿
量化论文最怕两件事：一是把模型压小了，二是把精度也一起压没了。Quant Experts 这篇的思路很实在，不跟“全局统一补偿”死磕，而是把重要通道分成全局稳定和 token 相关两类，再用共享专家和路由专家分工处理，72B 模型在 W4A6 下还能追回 5.09% 平均精度，确实有点东西。
无需训练就能做异常检测？CSI-VAD新思路来了
视频异常检测最怕什么？不是模型不够大，而是它总爱把整段视频一锅端，结果真正的异常被“正常背景”冲掉了。CSI-VAD干脆把视频拆成环境、对象、时间三路分别看，零训练也能把异常线索抓得更稳。
冻结Qwen3-VL也能加音频？Fusion Embedding统一四模态
这篇论文最有意思的地方，不是“又做了一个多模态模型”，而是 冻结基座不动，也能把音频硬塞进统一空间 。更狠的是，文本、图像、视频的原有结果还能保持 bitwise 一致，工程味很足。
Tufts新方法：高光引导摘要，长视频更稳
视频摘要最容易犯的错，不是总结得不够短，而是把最关键的证据先删没了。HAS偏偏反着来：不做硬挑帧，而是把“高光分布”变成推理时的注意力引导，思路很干净，实验也够实在。
nuScenes上实测：红灯竟比大车更“有戏”
自动驾驶模型最怕的不是“看不见”，而是“看见了却不知道到底信了谁”。这篇工作直接把单个目标从画面里抹掉，再看轨迹怎么变，黑盒里谁在捣鼓方向盘，终于有机会被点名。
ICML 2026这篇论文在问：地图对机器还重要吗？
地图到底是给人看的，还是给机器看的？这篇论文直接把这个老问题拉到多模态大模型时代重新拷问了一遍。2400张合成等值区域图、12000道题、22个模型，结论很实在： 地图没有过时，反而在高层次空间推理里更像“外挂” 。
ArtChart来了：艺术图表也要讲数学，双语基准首发
这篇论文最有意思的地方，不是“让图表更好看”，而是把“好看”和“正确”这对天生互相打架的目标，硬生生拉到了一张桌子上。它不只给出方法，还顺手做了一个双语基准和六轴评测，属于能直接拿来做后续研究的那种工作。
不碰文本也能改记忆：LUCID揭开多模态智能体新漏洞
多模态智能体最怕的不是答错，而是把错的东西“记牢”。这篇论文直接把矛头对准长期记忆：攻击者只改一张图，就能在黑盒条件下把记忆系统带偏，而且五种后端都没能幸免。更关键的是，它把“检索被命中”和“模型真的信了”这两件事分开看，结论很扎实。
腾讯PCG新方法：34K数据把视频感知拉升5.2%？
视频推理这事，很多时候不是“会不会想”，而是“看没看见关键帧”。这篇论文直接把矛头对准感知短板，用注意力把稀疏奖励拆成帧级、Token级信号，思路很硬，实验也够实。
把视频“偷摸”压缩的事告诉大模型：微软新方法令牌省93%
视频理解模型往往要把每一帧都当成独立图片来处理，这又慢又浪费算力。微软和斯坦福的研究人员直接从视频压缩算法中取经，用轻量级的运动向量和残差代替大部分图像的密集编码，让首帧生成时间快了86%，令牌用量暴减93%，同时性能还不降反升！这个方法与之前的Quickviewer等非均匀采样思路不同，它是在编解码层面做“减法”，从根源上避免了冗余。
