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”。
标签：多模态
共 200 篇
视频生成｜复旦快手新研究：同一个PE写两边，T2V多事件生成全面涨点
如果你在公众号里刷到过AI视频生成的翻车现场，大概率见过这种名场面：你明明输入的是“一只熊推开树桩、找到食物、抓住老鼠、吃掉它”，生成的视频里熊只做到了一半就停下来，甚至干脆把树桩忘了。这不能全怪视频生成模型“笨”。真…
ACM MM 2026：北大EchoCache让音频驱动视频生成提速2.46倍，还更稳？
继北大CRAFT之后，又是北大团队！这次他们让音频驱动的视频生成告别“傻快”——只用声音的能量分布，就能精准指挥算力花在刀刃上，2.46倍加速还保住了画质。这招“听声辨位”，值得所有搞视频生成加速的玩家看一看。
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TacWAM：触觉卷进世界模型，机器人操控成功率飙升37.5%
继2026年6月聊过物理对称性硬编码的世界模型、7月聊过北大DWM之后，这期看点更有“手感”的：清华TacWAM直接把触觉卷进世界动作模型，四大接触丰富任务平均成功率75%，比最强基线高出37.5个百分点。想看懂机械手怎么“摸”东西，这篇别错过。
遥感分割只盯一张图？中南大学：要学会按需查资料
农田分割遇到难题，让模型再强十倍也可能白搭——关键证据压根不在当前图像里。中南大学这篇FarmSeeker，把分割从“图内思考”拉到“图外思考”，按需查时空影像，把模糊地块查得明明白白。跨11国测试，比一堆老牌方法都稳，值得一看。
Mamba线性复杂度为何在L=196时反被Transformer反超
这篇论文把双时相卫星影像变化检索的“查询成本”算得明明白白——固定CLIP骨干、统一训练策略，系统对比注意力、Mamba、瓶颈压缩三类共八种融合方案，还用10个随机种子做了统计检验。结论很干脆：免训练级联检索能省10-15倍延迟而不损召回，Mamba的理论线性复杂度在L=196时没有带来实际速度优势。做遥感检索或高效多模态融合的朋友，这篇相当解渴。
大连理工ACM MM 2026：视图不齐也能聚类，ACC提升近6%
多视图聚类最怕数据对不齐：设备故障、存储分离，大量样本的视图配对关系直接丢失。大连理工这篇ACM MM 2026工作，用锚点图加匈牙利算法的双重对齐策略，把对齐从“一次完成”升级为“二次校准”，在六个数据集上ACC最高比第二名提升5.97%，还顺手缓解了单次对齐误差大的老毛病。想看看GCN怎么在错位数据里找回结构的，这篇值得读。
CoPE-VideoLM | Codec 结构化视频表征让 VLM 更快更省 token
这是正式入口 dry-run 验证稿，不实际上传微信。
1200个视觉依赖问题拷问四大模型：渲染偏差让3D推理暴跌15%
继6月聊过商汤“思考with images”之后，团队进一步追问：模型画出来的中间状态，到底是真用了还是仅仅装样子？为此他们构造了1200个视觉依赖样本的See2ThinkBench，并设计了可干预的VAoT协议。结果扎心：模型选动作挺准，但渲染忠实度平均只有60%，3D场景下错误反馈能让准确率暴跌15个百分点——画图推理，远没想象中靠谱。
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！
