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。
标签：大视觉语言模型
共 101 篇
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。
语义token+扩散渲染：Vega新范式
视频理解和视频生成长期像两拨人：一边要“看懂”，一边要“画准”。Vega直接把两件事塞进同一个框架里，还用3B参数在多个基准上打出了很能打的成绩，值得细看。
Stanford新方法：机器人偏好学习告别“总分制”
机器人偏好学习最烦的不是“没数据”，而是“数据看起来很多，实际全在讲废话”。这篇 FPL 直接把偏好拆成速度、安全、质量等自然语言轴，监督更细，策略也更会“看脸色”了。
视觉重聚焦新招来了：VisRef固定预算反超文本自省
多模态推理最怕“越想越跑偏”，这篇 VisRef 直接把问题说透了：不是单纯让模型多想，而是让它想的时候还记得回头看图。无需再训练，固定预算下还能稳定涨点，工程味很足。
哈工大联手华为：InstanceControl让复杂生成不再属性混淆
复杂多实例生成最烦的不是“画不出来”，而是“画对了对象却串了属性”。InstanceControl 直接绕开手工实例标注，用视觉语言模型先把文本和区域对上，再用自适应掩膜细化兜底，思路很工程，效果也很实在。
