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
标签：大视觉语言模型
共 105 篇
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！
CVPR 2026夺冠！商汤&清华让VLM学会“边想边搜边裁剪”，开源7B模型碾压GPT-4o-mini
当VLM面对一张4K图片里的微小文字或长尾知识时，现有模型不是“看瞎了”就是“知识库不够用”。SenseSearch巧妙地把“搜索”和“裁剪”两个看似不相关的能力，通过强化学习捏合成了一个统一的推理智能体。更关键的是，它开源了所有代码和数据集，让社区可以直接复现并续写。这项工作的完成度和效果都相当扎实，值得细细品味。
告别千篇一律，VLM自进化提问框架让问题又难又多样
一般的VLM只会当“答题机器”，这篇来自马里兰大学、UCLA和MBZUAI的工作，却让模型学会了“问问题”，而且问得越来越好。无需人工标注，模型自己就能在问答之间形成“进化闭环”，看到QG分数飙升82%，龙哥直呼过瘾。
清华年度研究：TTA4CLIP的证据质量比调参重要百倍？
别再被TTA4CLIP的参数更新给骗了！清华这篇论文用20多个方法的大规模实验揭开了真相：所谓的“最优”方法，其成功很少来自更强劲的梯度更新。证据的质量和与之对齐的代理才是真正的引擎。本文不仅是一次透彻的方法论剖析，更是一份帮你避开复杂优化陷阱的指南手册。
组合图像检索去噪新范式：全局结构与动态价值双校准，20%噪声下SOTA
组合图像检索（CIR）领域一直被“三元组噪声”困扰。山东大学这篇ICMR'26的RankVR，别出心裁地用“有效秩”来度量全局结构一致性，再配合课程学习思想动态感知样本价值，思路清奇，效果硬核，值得一读！
UC Berkeley等四校联名Mana：让机器人学会用钳子、打针，零样本迁移！
继2026年6月聊过AI看视频学抓瓶子后，这篇Mana又来了！UC Berkeley、CMU、斯坦福、亚马逊四家联手，把灵巧操作关节工具的难题，变成一串“动画关键帧”来解决。一分钟标注，零样本迁移，成功率高达70%！这操作，值得每个机器人从业者了解。
