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。
标签：大视觉语言模型
共 105 篇
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。
RPI这篇新方法，把公交视频分析压到零样本了
公交监控最烦的不是“看不见”，而是“看见了也不知道该看哪”。这篇论文把长视频先压成门、乘客、付费箱三层证据，再把大模型只用在关键片段上，思路很工程，也很实在。
ICLR 2026新作：自动驾驶微调为何越训越忘？
自动驾驶里最容易被忽略的坑，不是模型不会开车，而是学会开车后把老本行忘了。这篇论文第一次把“灾难性遗忘”做成可量化基准，还给出了一种不乱改权重的解法，挺适合认真看一遍。😊
ICML 2026新思路：MLLM回读似然，零样本变奖励模型
这篇论文最有意思的地方，不是又训练了一个奖励模型，而是把“奖励”这件事倒过来做了：让预训练多模态大模型回读提示词，看图能不能把原话读回来。结果很直接——不用偏好标注，不用再养模型，照样能把文生图强化学习带起来。
Roblox联合伯克利新作：3D评测管线比模型更关键？
这篇论文最有意思的地方，不是又测出一个“更强的评审模型”，而是直接把评审这件事拆成了管线问题。模型、视角、输入、提示词，谁都别想装作无关；结果也很实在：六视图RGB加规则提示，成了最稳的低成本默认方案。
工业机器人也能LoRA？r=32逼近全量微调
这篇论文不讲虚的，直接盯住工业机械臂最现实的问题：显存不够、全量微调太贵、LoRA到底能不能顶住。结果很有意思，r=32 基本就到头了。
UNC+CMU新作DenseReward：逐帧奖励学会看翻车
机器人强化学习最怕的不是“学不会”，而是“根本不知道哪里错了”。DenseReward偏偏把失败这件事做成了数据，顺手把奖励从“看终局”升级成“看过程”，这就很对路。 项目视频：https://dense-reward.github.io/assets/videos/DenseReward.mp4
84.1%登顶！小VLM测试时缩放，解析格式比束搜索更关键
这篇论文最有意思的地方，不是又堆了多少花活，而是把小型视觉语言模型的“考试成绩”拆成了两件事：先能不能把答案写出来，再谈会不会想。结果很不客气——很多提升其实来自解析格式和 token 预算，不是复杂搜索。
北京理工大学新方法：让模型“说实话”再追求精准
这篇论文把一个很现实的问题挑明了：多模态大模型不是不会说细节，而是细节一多就更容易“翻车”。GRANFACT、层级评测和RP-DPO三件套，正好把“说得更细”和“说得更准”这对老冤家拎到台面上狠狠干一架。
