27B模型硬刚GPT-5.5与Gemini：工业CAD多模态生成险胜0.8%
传统印象里，CAD建模是工程师坐在电脑前，对着软件菜单点点拖拖，从草图拉伸、切除、倒角一路做到出工程图。
标签：多模态
共 200 篇
快手与北航新范式：从“挑视频”到“造视频”，广告视频可以现场拍
如果把短视频推荐系统想象成一家大型仓库，算法的工作就是“在仓库里找一件用户最可能喜欢的东西”。仓库越大，推荐越准。可问题在于：算法再聪明，也只能在仓库里挑，不能在用户最想要的那一刻，照着用户的心思现场做一件出来。
图像生成｜招牌写"兽医"宠物店秒变诊所？新基准专治文生图语义泄漏
先来看一种并不罕见的场景：在产品包装设计、店铺招牌生成、设备铭牌渲染这类视觉内容创作任务里，用户往往给模型下达一个明确指令——在某个指定的主体区域（比如一家面包店的招牌、一辆货车的车身、一瓶饮料的标签）写入指定的文字，同。
同济新基准专治文生图“没文化”：GPT Image画隐喻也翻车，结构准确率仅78%
让AI画“时间就是金钱”，它可能真画一个挂满钞票的时钟；让AI画“知识就是力量”，它又可能把书本和哑铃硬拼在一起。文生图模型能把物体画得很真，却常常画不出“画外之音”。同济大学等机构提出VMetaphor-Bench，把“视觉隐喻生成”这件事第一次系统性地量化评测，结果连GPT Image 1.5也栽在结构组合上。
广工等三校提出RVSD：剪掉67%视觉token，视觉大模型反而更少幻觉
大型视觉语言模型（LVLMs）的视觉幻觉问题，本质上是个“看图说话翻车现场”——模型明明没看见那个物体，却说得言之凿凿。
复旦携手小红书最新：给文字渲染装上“定位锚”，生成长文准确率暴涨10.3%
让AI准确渲染又长又密的文字，是图像生成的“最后一公里”。复旦携手小红书放出一招“位置锚定”新设计，把文字准确率直接拉高一大截，海报再密也不怕了。
图像生成｜别只卷画质了！新基准专测"逻辑作画"，最强开源模型不到32分
当所有文生图评测还在卷画质和指令跟随，UIUC这次直接把“答案藏在图里”的推理题丢给模型。2000道题、9个主流生成模型，最强Gemini 3 Pro也只拿64.6分。想看生成模型到底有多少“真推理”，这片试金石值得收藏。
视频生成不懂物理？川大新框架用事件链思维，物理正确率暴涨至72.5%
大模型生成视频"看起来美，动起来假"的顽疾有解了。这篇来自四川大学的工作，不去堆算力，而是给视频生成装上"物理事件链"大脑，用可量化的物理公式约束每个中间状态，在PhyGenBench上把物理贴合度均值提升到72.5%，值得做视频生成与世界模型的朋友细读。
西南科大新研究：去掉文本Dice从91.61%暴跌至40.76%，医学图像分割真的离不开文字？
每次看到给医学图像分割加文本引导的工作，龙哥都会问一句：那行文字到底起多大作用？这篇论文用5个预训练医学视觉语言模型和4种融合算子做了系统性交叉实验，还提出一个轻量诊断工具做证据解耦，把“换融合头不涨点、去文本却崩盘”这类反直觉现象掰开揉碎了讲清楚，值得做多模态医学影像的读者花几分钟细读。
首尔大学新框架：语音合成“中英混读”不尬了，外语短语零成本母语腔
一个韩国人用中文说“昨天吃了sushi”，sushi到底该按中文腔读还是日文原味读？首尔大学这篇论文，专治语音合成里的“中英混读尴尬症”：不加训、不加模块，光靠推理阶段的巧劲，就能让夹在句子里的外语短语瞬间回到母语腔。
北大&Galbot新作：VLA换台就懵？严格零样本跨本体迁移，最高提升18个点
跨本体泛化是VLA从“会干活”走向“干得了所有机器人”的必经关卡，但“零样本”这个词在圈里长期被用得很随意。本论文用严格受控的基准把四种本体变化拆开细测，给出可复现的量化结论：换表征涨15个点、扩源多样性涨18个点、仅5%目标本体预训练数据再涨13.4个点。做机器人的朋友读完能少走不少弯路。
弗吉尼亚理工提出IntroConformal：让大模型自查"看图说话"，弃权率狂降57%→25%
大模型"看图说话"时编造细节，一直缺乏严格的统计约束。弗吉尼亚理工这篇工作用模型自己的"内心独白"替换外部验证器，照样把错误率控制在数学保证范围内，还顺手把弃权率打了下去。值得所有关注多模态可靠部署的读者一读。
