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。
标签：大视觉语言模型
共 101 篇
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。
0.8B端到端文档解析SOTA：OvisOCR2怎么做到的
阿里这次没玩虚的，直接把文档解析从“流水线拼装”拉到“端到端一把梭”。0.8B 小模型能在公开榜单上登顶，关键不在嘴上说模型小，而在数据引擎和训练 recipe 真把小模型喂明白了。
NVIDIA+Stanford新作RoboTTT：8K上下文让机器人长记性
机器人策略最烦的不是“不会动”，而是“记不住”。这篇把测试时训练塞进机器人基础模型里，直接把上下文拉到8K步，还顺手做出单次视频模仿和在线改进，思路很硬。
北大×小米新方法：施工区域规划更稳了
施工路段最容易把模型训练出的“老司机直觉”打回原形。WorkDrive的思路很直接：先把现场关键事实看清，再把因果链讲明白，最后用一致性奖励把轨迹拽回来，适合关心自动驾驶落地的人细看。
2026新方法：图像理解+生成一体化，采样步数越多越强
这篇论文最有意思的点，不是又堆了一个多模态采样器，而是把“图文互相打架”这件事变成了可修正的过程。文本和图像不再各写各的，而是在同一次去噪里边想边改，挺像老师边讲边在黑板上补笔。
