9大消融实验验证：比亚迪混合世界模型凭什么成为自动驾驶新标杆
当自动驾驶世界模型还在像素级预测的"精细"与潜变量预测的"鲁棒"之间二选一时，比亚迪团队直接端出了一盘"混合大餐"——HyWorldVLA。预训练阶段同时预测像素和潜变量，既保住了细粒度时空建模，又继承了潜变量的抗噪能力。NAVSIM v1/v2双榜夺冠不是最惊艳的，雨雾场景下PDMS高达86.87（竞品仅60+）才真正让人眼前一亮。一句话：不做选择，全都要
标签：多模态
共 200 篇
Hist2Style：CVPR 2026，1.5M参数实时4K逼真风格化调色
摄影后期调色还在手动拉曲线？Hist2Style把大型图像编辑模型“压缩”成一个1.5M参数的轻量网络，用直方图作为控制界面，让你像调音量一样调色调。在用户研究里，它赢了82%的对比试验，而且支持实时4K处理，简直是调色师的效率神器。
北邮新方法：夜间深度估计误差暴降85%，雪天零样本也涨20%
雨天路面反光、夜间地面忽明忽暗、雪天纹理全无——自监督深度估计在这些场景下经常直接崩掉。北邮这篇工作给出了一个漂亮的解决方案：先用多个「天气专家」教师产生伪标签，再用不确定性蒸馏让学生学会判断该信谁；同时把雷达从稀疏的POV视角投影到更稠密的BEV空间做跨注意力融合。效果立竿见影，夜间absRel暴降85%，雪天泛化也提升了20%+。代码已开源，值得所有做自
字节跳动新作！给视频配音就像改字幕，声效可控性暴增40.7%
说到给视频配音效，很多人会想：不就是根据画面内容生成声音吗，猫叫就是喵喵，打雷就是轰隆，有什么难的？但如果你脑洞再大一点——比如，你想让视频里原本只是“喵喵”叫的猫，在00:07秒的那一声突然变成“狮子吼”；或者你希望整个视频的音频听起来就像是从一部80年代复古游戏机里传出来的；再或者在火柴划过的一瞬间，不仅要有摩擦声，还要叠加一声魔幻的“呼——嗖”……你会
一张黑图就能蒸馏？VCSD让Qwen3-VL全系飙升4.77%
自蒸馏方法通常需要特权答案或视觉证据标注来制造教师-学生不对称性，而本论文来自马里兰大学等机构，提出一个极其简洁的替代方案：只需要一张内容擦除的黑色图像，与原始图像下教师模型的预测做对比，就能构建出有效的自蒸馏目标。在Qwen3-VL和Qwen3.5全系模型上，VCSD稳定提升1.86%-4.77%，且无需外部教师、推理时零开销。方法既巧妙又实用，值得关注。
GeoThreat来了：遥感LVLM可控攻击成功率飙升
遥感LVLM看着挺靠谱，但能被一张加了微小噪声的图片骗得认错地物？GeoThreat做到了，攻击成功率飙到88%，比之前最好的方法高出46%。这篇工作不仅是攻击，更是对遥感领域LVLM鲁棒性的警钟。
Google新方法：先想清楚再分类，F1最高涨10.5%
这篇论文最有意思的地方，不是又造了一个更强的分类器，而是先承认一件事：很多视觉概念根本没法一上来就说清。Google把“边界样本+概念梳理”做成了一个可交互流程，专门治那种人和模型都容易吵架的主观概念，挺实用。
WMFM-OOD来了：无线基础模型也要先过“安全门”
6G最怕的不是模型不够大，而是模型在陌生环境里还“自信满满”地胡说八道。本文专门抓住无线多模态基础模型的信任危机，用几何原型把OOD检测做成了一个几乎不拖慢推理的安全闸门，工程味很足。
Siemens新方法：2D模型做3D分类，1.3M参数拿下12任务
3D医学分类最容易踩坑的地方，这篇论文几乎都点到了：不是模型越大越好，而是适配方式常常更关键。更狠的是，作者直接把“2D模型不如3D模型”的老观念掀了桌子。
ETH Zurich开源ReViV：单目视频4D重建，把人和场景一起读出来
一段单目第一人称视频，竟然想同时“读出”身体、手、注视、相机轨迹和深度。ReViV最有意思的地方，不是它又做了一个单任务模型，而是把这些本来就互相牵连的信号，硬是塞进了一个统一生成框架里，还跑得很快。
答对不算赢？这篇基准把临床推理拆到最细
临床大模型最麻烦的事，不是选错答案，而是“答案对了，理由却乱了套”。MIRA-Ev 直接把评测拆成三层，专门盯住证据、成分和关系，连巴斯克语也拉进来了，属于那种一看就知道不是来凑数的基准。
QRMI统一接口来了：量子资源像GPU一样调度，五种调度器全打通
量子计算和超算一结合，最先炸掉的往往不是算力，而是调度系统。这个工作不讲玄学，直接把 QRMI 拿去适配多种主流 workload manager，看看“统一接口”到底能不能真落地。
