商汤新研究：AI先规划再看视频，token省90%，长视频理解还能更强？
看长视频最怕"看多少、看哪里"的选择困难。商汤这篇EVA直接用强化学习把"先规划再看片"的训练出来，多个长视频基准提升6-12%，视觉token还省得惊人。让AI学会"聪明地看"，这个方向值得重点关注。
标签：多模态
共 226 篇
六种音频编码器正面PK！澳洲高校首次系统性评测：从分类到推荐，谁才是音乐推荐的最优解？
分类任务的学霸，放到推荐系统里可能就成了学渣，这事儿你敢信？澳洲高校团队把六种主流音频编码器拉到KNN、SASRec和TIGER三种推荐范式下正面对决，还顺带拆解了语义ID的量化玄机。音频推荐选型，看这篇就够了。
图像生成｜南科大新作：在线微调13秒搞定个性化文生图，主体一致性稳了
一张参考图，一段文字，13秒在线微调，不用预训练不用大算力，就能让扩散模型在生成过程中同时锁定"主体像不像"和"文字听不听话"。这种把炼丹塞进推理管线的思路，工程落地潜力很值得一看。
中科院新作：视频大模型幻觉克星VADER，EventHallusion飙至72.6%
视频大模型对着画面侃侃而谈，却常常“睁眼说瞎话”？中科院团队提出VADER，一个纯推理期干预的训练无关框架，让LLaVA-Video-7B在EventHallusion上飙到72.60%，还顺手超越了依赖额外训练的TPO与RRPO。不微调也能这么能打，值得一读。
小米ACM MM 2026新作：图像修复告别"一刀切"，像素级引导涨1.51dB
大伙儿平时用手机拍照，有没有遇到过这种场景：明明窗外阳光正好，拍出来的照片却一半清晰一半糊，或者人脸是清楚的，背景却蒙了一层雾。这时候大多数修复算法会怎么做？
Meta最新研究：LLM Agent让用户一句话重塑信息流，反感内容直降2.74%
Meta在RecSys 2026上放了颗实弹：用LLM Agent把推荐系统从"被动猜你喜欢"变成"用户实时说了算"。三层架构干净利落，离线准确率98.85%，线上A/B负面反馈同时下降，是目前少见的工业级对话推荐实战样本，搞推荐的同学值得一读。
快手Kling团队新作：16 FPS实时生成多镜头连贯视频，一个模型搞定生成、参考与编辑
告别逐镜头生成的割裂感，快手Kling团队联合清华、南大提出的ContextMaster，把生成、参考和编辑统一进一个模型，在单卡上跑到16 FPS的同时，还能让角色和场景在多镜头之间保持一致。🔍 想看懂这套固定预算稀疏路由怎么在有限算力下留住完整记忆？这篇值得细读。
杭州电子科大最新审计：别吹个性化模态加权了，一个全局权重就够了？
多模态推荐里个性加权被吹上天，杭州电子科大的审计团队偏偏不信邪：六个加权头、四个数据集、同一骨架公平对决，结果全局权重几乎吃满全部增益，个性化加权沦为“气氛组”。想看清推荐系统里“个性化”这三个字到底掺了多少水？这篇是绕不开的清醒剂。
斯图加特大学：现成CLIP零微调，天生就会预测人类眼动？
有句老话叫“所见即所知”，斯图加特大学这篇新作直接把它变成了“所听即所看”：只拿一个现成的CLIP模型做归因，不微调、不标注、不用任何生成架构，就能复现视觉世界实验里经典的预测性眼动——人类听到“eat”还没听到“cake”就把目光移向蛋糕，模型居然也“看”向了同一个地方。
CVPR 2026新国立：先白平衡再调光，跨相机色彩恒常误差大降32%
让大模型当"色偏裁判"？新国立这篇CVPR 2026论文把跨相机白平衡玩出了新花样：不直接回归光照，而是先白平衡、让视觉语言模型判断残留色偏、再迭代修正。四大基准全面碾压现有方法，最差场景误差几乎减半，思路清奇还实用。
西北工业大学最新研究：图像超分和文字预测一个模型搞定，速度比DiffTSR快101倍
场景文本超分是OCR落地硬骨头——图要修得漂亮，字还得认得准。西北工业大学等机构提出的DualTSR把图像生成和文字预测塞进同一个Transformer，训练时同步加噪、推理时互相引导，把DifTSR参数量砍掉六倍、速度快一百倍，识别率反而大涨12.78个百分点。一个字：值。
埃默里+芝加哥最新研究：说句话AI就改轮廓，胶质瘤分割DSC涨2.2%
化疗靶区勾画要改一处轮廓，AI直接"听懂"人话动手改——这是三维医学影像分割基础模型VoxTell与文本指令结合的一次亮眼尝试。冻结全部预训练权重，只训练一个轻量指令分支，就能让模型按临床语言精确编辑亚区轮廓，正确指令在跨数据集测试中比矛盾指令高出0.047的Dice分离度，方向对了。
