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。
标签：大视觉语言模型
共 101 篇
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。
