阿里+浙大新作ForeAgent：AI作图鉴伪，准确率冲到93.3%
阿里和浙大这次没走“单次判断”老路，而是把AI鉴伪做成了一个会看、会判、还会反思进化的智能体。更有意思的是，它不只追准确率，还把推理质量也一起往上拽。
标签：大视觉语言模型
共 105 篇
VLM当考官！这篇RL新法让桌面智能体提分12.6%
桌面智能体最烦的不是“不会做”，而是“做完了也不知道算不算对”。这篇论文把 VLM 变成自动考官，再把考官的口误做噪声校正，思路很实用，结果也挺扎实，适合想看 Agent 怎么真正学会干活的读者。
清华字节新方法：不用CoT冷启动也能学会重看视频
这篇论文把“看视频”拆成了三件事：先粗看定位，再重看细节，最后重答修正。最妙的是，它不用冷启动的长串 CoT 标注，直接靠强化学习把重看能力练出来，省事还挺能打。
离散扩散VLA上RL终于跑通了？99.7%与30.6%提升
这篇论文专门盯上了离散扩散VLA的“RL卡脖子点”：最终动作的边缘概率算不出来，那就直接优化去噪轨迹本身。思路很硬，结果也很硬，LIBERO和RoboTwin 2.0都打出了能拿出来讲的成绩。
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。
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！
