7,147条样本实测：融合模型比单模态更稳
点击诱饵这事，最阴的地方不是“标题党”，而是标题和缩略图一起演戏。BanClickThumb把孟加拉语 YouTube 的这套“组合拳”做成了可复现基准，文本、图像、融合三条线一起比，结果很清楚：只看图不够，只看字也不稳，融合才更像正经干活。
标签：数据集
共 112 篇
ArtChart来了：艺术图表也要讲数学，双语基准首发
这篇论文最有意思的地方，不是“让图表更好看”，而是把“好看”和“正确”这对天生互相打架的目标，硬生生拉到了一张桌子上。它不只给出方法，还顺手做了一个双语基准和六轴评测，属于能直接拿来做后续研究的那种工作。
StructGen来了：多参考图像生成告别张冠李戴
多参考图像生成最怕什么？不是模型不够大，而是参考一多，语义就开始打架。StructGen 直接把参考图像做成“字典”，用标识符把人、衣服、场景钉死，思路很工程，也很实用。
上海AI实验室等开源视频深度估计新模型！从游戏里抓出6M帧合成数据，效果效果优于所有生成式方法
如果有一项技术能从你的手机视频中提取出世界的3D结构，像人眼一样感知景深，你会用它做什么？上海AI实验室联合浙大、悉尼大学，最近放了一个大招：Depth Any Video。这个模型直接在Stable Video Diffusion上「开刀」，并靠着从游戏世界收集来的600万帧高质量深度数据，实现了视频深度估计的时空一致性全面飞跃。效果拉满，看了演示gif保
上海AI Lab最新研究：给视频做深度估计，零成本“打游戏”就搞定了？
视频深度估计一直卡在“没数据”上。这篇来自上海AI Lab、浙大和悉大的论文，直接去游戏里“白嫖”了4万段高精度视频深度数据，再把手里的视频生成扩散模型改成深度估计模型，3步去噪就出结果，跑得比谁都快。效果直接起飞，把之前所有生成式深度模型都甩在身后。
低信噪比下反超MVDR！这篇论文把语音增强改成了“看输出”
这篇论文最有意思的地方，不是又造了一个波束成形器，而是把“选参数”这件事倒过来了：不先盯输入信号，而是先看输出好不好，再决定用哪个候选方案。对低信噪比和麦克风统计失真的场景，这个思路很实在。
4B参数搞定视频理解？VideoChat3把算力省下来了
一个模型把细粒度动作、长视频问答和直播流主动响应都装进去了，还只用4B参数。更关键的是，模型、代码、训练策略和数据集全开源，社区终于不用对着“半遮半掩”的视频大模型干瞪眼了。
USTC新方法DNA：89.11%追踪生成图像来源
这篇工作最有意思的地方，不是“又做了一个归因方法”，而是把问题拆成了两层：先认家族，再认具体变体。家族内模型长得太像，单一信号很容易翻车，DNA 直接把 VAE 和 backbone 各自擅长的证据分开用，思路很工程，也很像真正能落地的取证流程。
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。😊
14个视频搞定AI尿检？这篇方法先把图拍清楚了
尿检这件事，卡住的往往不是模型，而是显微镜前那一步“得先拍出一张够清楚的图”。这篇工作很朴素：不用昂贵自动对焦，改成手动调焦录视频，再把最清楚的片段拼成全聚焦图，适合基层实验室看门道。
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。
Apple最新论文：音乐搜索长尾召回涨7.93%
Apple Music 的搜索问题很典型：热门词好搜，长尾、拼写错误、跨语言查询最难办。ELISE 的厉害之处不在“模型更大”，而在于把语义召回、旧词项检索和分布校准接到一起，最后还真在全球线上实验里把转化率和无结果率一起打下来了。
