CORTEX来了：3D胸部CT推理首次变成可验证结构
这篇工作最有意思的地方，不是又做了一个医疗问答集，而是把“医生怎么想”这件事拆成了能检查、能打分、能复核的结构。对3D胸部CT来说，这比只看最终答案靠谱多了。
标签：大视觉语言模型
共 101 篇
复旦等提出ICWM：先探一探再控制
这篇论文把机器人“换视角就失忆”的老毛病，改写成一个系统辨识问题：先随机探一探，再把这段互动当上下文喂给模型。简单粗暴，但很对路，仿真和实机都给出了不错的增益。
中山大学最新研究：让自动驾驶先“脑补”未来，再“反思”轨迹，4B模型SOTA效果亮眼8B
大多数自动驾驶模型都是“一条路走到黑”，直接生成轨迹，却不知道这轨迹未来会导出什么结果。中山大学等机构提出的IRR-Drive模型，让智能体先“预设意图”，再通过预测未来BEV可视化地“反思”一遍，最后才修正轨迹。这种做法在NAVSIM v1/v2两个权威榜单上都拿到SOTA，而且仅用4B参数就能干翻不少8B模型，性价比拉满。
CVPR 2026：当降熵成为陷阱，SPOT-E用锚点保住证据
大模型能说会道，但遇到要细看图表、小字的地方，经常"看走眼"还"自信满满"。孙海伦团队从"答案熵"入手，发现模型在不确定时会表现出更高熵值，但盲目降熵反而让模型走上捷径。SPOT-E巧妙设计了一个视觉"聚光灯"，配合强化学习，只调光照不调模型，让GPT-4o和开源模型在多个密集证据任务上获得稳定提升，思路清奇又实用。
北卡罗来纳大学夏洛特分校最新研究，ACE模块让VLM调用减少75%
长视频问答（LVQA）一直是个“烧钱”的活，把一小时的视频全喂给大视觉模型，光是token就能上百万。而TIMEPROVE给出的策略很聪明：先派轻量级的动作检测器去“探路”，生成几个高概率的答案假设，最后才让大模型去“拍板”验证。结果呢？效果涨了7.3%，成本却降了93%。这种“先猜后验”的思路，值得每个做视频理解的人关注。
仅用7%成本就吊打全场？北卡大学提出TIMEPROVE，让长视频问答学会“先找证据再说话”
长视频问答一直是个“贵”且“难”的活儿——处理一小时视频，光视觉token就超200万。北卡大学夏洛特分校的TIMEPROVE，提供了极其优雅的解决思路：先用轻量级的动作检测模块“侦察”出关键证据片段，再只把这些精挑细选的短片段送给VLM做“终审”。结果准确率涨了7.3%，VLM调用次数锐减75%，推理成本暴跌93%！这简直就是给LVQA这个“烧钱”领域的一
机器人总“掉链子”？ Fail-RAG：让 VLM 一眼看穿故障，准确率飙升 25%
给大模型加个“外挂经验库”，不用微调就能让机器人自己看懂各种故障。Fail-RAG 思路巧妙，效果扎实。无论是识别“夹爪歪了”还是“轮子卡了”，准确率都实打实提升了。想知道怎么做到的？看下去就对了。
新范式！腾讯等把问题“写”在图片上，7B模型碾压GPT-4o，VMCBench夺冠！
多模态大模型推理时总“走神”答非所问，主要原因是文本指令和图像位置对不上号。这篇腾讯等联合完成的工作Timage，用了个极聪明的解法——直接把问题当作文字水印“写”在图片的恰当位置，让模型一眼就能看到该看的地方。效果惊人，7B小模型在VMCBench上干翻了GPT-4o，还不需要任何微调！
告别VAE解码瓶颈！让生成器自己当评委，视频对齐又快又准
继2026年6月推过AVDM2、DenseDPO等视频生成加速和对齐方法后，今天这篇城大新作PRISM，直接把视频生成模型本身变成了最懂行且最快速的“评委”。以往用大视觉语言模型当裁判，又慢又贵，还得等视频全生成完。PRISM反其道而行之，冻结生成模型，在满是噪声的潜伏空间里就能精准打分，还能在生成早期就淘汰烂片，推理提速7.6倍。这波操作，值得所有做视频生
NUS新方法给VLM配探照灯：GPT-4o、Gemini看图提升2-6个点
你遇到过吗？让VLM读个图表或者扫描PDF，模型说得头头是道：“我要先看y坐标然后对比...”结果最后答案错得一塌糊涂！ 这不是推理能力不行，是 证据没入眼 。今天聊的NUS新研究SPOT-E，用一招「熵塑形」给VLM搭了个探照灯，冻结主干模型不用训，直接让GPT-4o、Gemini看图能力上一个台阶～
CIAN框架让AI读图秒懂新闻背景，三步流水线包揽检索生成润色
模型再强，看图说话也常常只说“表面现象”。今天介绍的CIAN框架，给AI装上了“新闻检索”和“故事叙述”能力，让它能闭着眼睛（不是）看清照片里的时间、地点和人物关系。想知道怎么做到的吗？让我们一探究竟。
32.7%提升背后：VLM+规则工具箱混合评估新范式
自动驾驶评估就像考试打分。传统规则死板，遇到避让、绕行等“合理违章”就给负分；纯VLM评估虽有上下文理解，却难胜任精细安全判断。英伟达团队这次祭出杀手锏—— DriveJudge ，让VLM当“考官”，根据场景决定哪些规则该用、哪些该放一马，既保住了规则的物理严谨，又拿捏了上下文的柔性。看完绝对拍大腿：这才是评估该有的样子！
