Meta AI新基准GAMUT：长文评估不只看对错
最扎心的不是模型答错，而是它把该说的全漏了。Meta AI 这篇 GAMUT 直接把“事实完整性”拆成可评估的结构问题：先写清答案该包含什么，再把它变成机器能稳稳打分的二进制清单。
标签：多模态
共 200 篇
Thinker-Talker双流架构：低延迟翻译更稳了
流式语音到语音翻译最烦的不是“会不会翻”，而是“能不能边听边翻还不崩”。这篇论文的狠活在于：只用约2k小时配对数据，就把长篇流式S2ST做到了很能打的水平，而且还把读写策略和语音生成拆开，思路很干净。
Simon-SR：可学习提示+空间调制，超分更稳了
这篇论文的意思很直白：超分不一定非得靠人工文本标注硬喂，模型自己也能学出可用语义，再把语义按空间位置“精准打光”。它把提示学习和空间自适应调制接起来，思路不花哨，但很像能落地的工程方案。
CVPR级VLM翻车点曝光：图像先说还是问题先说，差26个百分点
同一张图、同一个问题，顺序一换，VLM就可能答歪。本文没有搞花活，而是直接抓住这个“看起来不该存在”的差距，用测试时训练把弱分支往强分支拉，顺手还把强分支也抬了一点，属于很实在的修模型思路。
Sports上Recall@20提升19.33%的去噪方案
多模态推荐最烦的不是“缺特征”，而是“特征里混了太多废话”。这篇 DDMSR 直接把噪声拆成两层处理：先在物品语义图上做低通滤波，再把用户序列丢进频域里抓异常信号，思路很工程，也很实用。
USTC新方法：频域+图去噪提升19.33%
多模态推荐最怕的不是没信息，而是信息里混进了太多“假线索”。这篇 DDMSR 直接把噪声拆成特征层和序列层两刀来切，思路很干净，效果也不虚：四个数据集都稳，训练还比扩散式去噪方案快不少。
NTU新方法：教学视频评估从“通用分”变成“因材施教”
教学视频越来越像“内容生产流水线”，但评估这件事仍然很费专家。EduPanel把视频、课程要求和学习者画像一起拉进来，做成三智能体评估器，结果居然能逼近人类专家，还能反过来帮专家提分。
西交大提出Quant Experts：token级量化补偿
量化论文最怕两件事：一是把模型压小了，二是把精度也一起压没了。Quant Experts 这篇的思路很实在，不跟“全局统一补偿”死磕，而是把重要通道分成全局稳定和 token 相关两类，再用共享专家和路由专家分工处理，72B 模型在 W4A6 下还能追回 5.09% 平均精度，确实有点东西。
无需训练就能做异常检测？CSI-VAD新思路来了
视频异常检测最怕什么？不是模型不够大，而是它总爱把整段视频一锅端，结果真正的异常被“正常背景”冲掉了。CSI-VAD干脆把视频拆成环境、对象、时间三路分别看，零训练也能把异常线索抓得更稳。
HKUST新方法：3D场景编辑检索提升36.7点
3D场景检索最怕“指令说改一处，系统却把整间屋子都翻了”。这篇工作直接把问题拆成可执行的重排流程，还顺手补了一套新基准，实用性比很多只会讲概念的方案更硬。
冻结Qwen3-VL也能加音频？Fusion Embedding统一四模态
这篇论文最有意思的地方，不是“又做了一个多模态模型”，而是 冻结基座不动，也能把音频硬塞进统一空间 。更狠的是，文本、图像、视频的原有结果还能保持 bitwise 一致，工程味很足。
Tufts新方法：高光引导摘要，长视频更稳
视频摘要最容易犯的错，不是总结得不够短，而是把最关键的证据先删没了。HAS偏偏反着来：不做硬挑帧，而是把“高光分布”变成推理时的注意力引导，思路很干净，实验也够实在。
