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。
标签：大视觉语言模型
共 105 篇
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。
音乐大模型别只看准确率：这套体检把“真懂”测出来了
这篇论文最狠的地方，不是分数有多高，而是它把“高分幻觉”拆得很难看：二元问答能蒙混过关，真到区分相近乐器、长上下文和时间定位时，很多模型立刻露馅。对做音频大模型评测的人来说，这篇更像一份体检单。
VLA模型一剪就废？这篇论文用ΔW找到真冗余
VLA剪枝最尴尬的地方，不是剪不动，而是剪完还得靠恢复“补作业”。这篇论文直接把恢复拿掉，用ΔW去找真正该删的参数，思路很硬。
SpatialUAV来了：低空无人机空间智能，GPT-5也没跑多远
低空无人机不是“拍得清”就算懂空间，真正难的是跨视角、几何关系和运动理解。SpatialUAV把这件事拆成14类任务，结果很直接：主流模型离人类还差得不小。
视觉ToM新方法：PGD负样本让大模型少瞎猜
这篇论文的切口很狠：不去讨论“多模态大模型会不会推理”，而是直接问它们在只看视频时，能不能别靠语言偏见乱猜。VisionToM 不是简单微调，而是拿注意力头开刀，思路清楚，代价也低，适合真正想把可解释性做成工具的人。
MVPruner让多视角VLM提速4.97倍
多视角自动驾驶 VLM 的老毛病很现实：token 太多，推理就慢；token 剪太狠，车就容易“看走眼”。MVPruner 的关键不是硬砍，而是先看哪个视角更杂、再看哪个 token 更有任务相关性，思路比较像老司机先扫全景、再盯关键路口。
AMD新方法HPP：34K帧视频也能程序化调试
长视频最怕的不是“看不懂”，而是“看得懂一点点，却被海量冗余帧淹没”。HPP把感知和推理解耦，让编码型大模型像程序员一样分层探测视频，思路很硬核，成本也更像工程方案而不是玄学。
腾讯+清华新作ViQ：离散视觉表示也能兼顾理解和重建，效率最高提速70%
ViQ这篇很像“把图像也做成词表”的认真尝试：既想保住细节，又想让视觉表示更适合多模态大模型。最有意思的是，它不是只顾理解，也没把重建丢掉，效率还真提上来了。
阿里浙大ForeAgent：鉴伪准确率93.3%
阿里和浙大这次把“鉴伪”做成了会自我进化的智能体：先看语义、再看频域、还会调用空间专家，最后靠事后驱动反复打磨推理链。更有意思的是，它不只追求答对，还在和 GPT-5 比谁更会“讲道理”。
