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。
标签：数据集
共 112 篇
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。
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。
视频推荐只会"哪里相关"？反事实测试揭开"是否真有证据"的谎言
推荐系统平时只知道"你爱看什么"，却说不清"视频里哪一秒、哪个画面真正打动你"。这篇论文设计了一套反事实测试：把证据片段替换掉，看模型还坚不坚持原先的判断。结果扎心——不少模型定位很准，但证据判断相当糊弄。值得所有做视频推荐、时间定位和可解释推荐的读者一读。
南开&大疆EyeControl：随手画几笔，AI修图让主角“破墙而出”！
拍完照片，别人看主角还是背景杂物？调亮度、加对比度、局部压暗……折腾半天，效果不佳。
UW最新研究：VLM+MR给路痴导航，场景识别提升22%
方向感差不是智商问题，而是注意力投错了地方。这篇论文用20人的VR眼动实验抓出了路痴和认路高手的本质差异，再把这个差异翻译成VLM提示词，做成了混合现实导航系统——直接让场景识别率提升22%，地标回忆数量翻倍。导航软件终于开始考虑“让你记住路”而不是“替你走完路”了。
高棉语OCR新范式！一个模型同时搞定识别和分词，延迟大幅降低
高棉语这种低资源小语种，连词与词之间都没有空格，OCR完还得单独做分词。这篇论文直接端到端二合一，一个CTC解码器同时吐字符和词边界，合并任务延迟大幅下降，精度还不掉队。低资源语言NLP的工程落地，值得一看。
ITMO大学新研究：探索器便宜94%也能用
代码修复里最容易被忽略的，其实是“先去哪找”。这篇论文把仓库探索单独拎出来做基准，直接比较探索器的质量和成本，结论很实用：便宜模型未必差很多，但也不是谁都能省得漂亮。
LAION-BVD开源：1000万小时视频，多模态预训练一次喂饱
当开源视频数据集还在几百万视频级别徘徊时，LAION直接把数字拉到了8000万视频、1000万小时，还一口气验证了视频、音频、图像三种模态的预训练效果。这种级别的数据弹药，对做多模态研究的团队来说，值得好好研究。
西交&中大MICCAI 2026：死后组织“生前还原”，专家盲选23.81%胜出
法医病理误判的潜在风险，被一次脑洞大开的「图像翻译」给盯上了。本论文首次把薛定谔桥搬进死后自溶恢复，不搞像素级配对，直接学分布映射，还建了首个真实数据集AutoPath。更狠的是，它证明FID这类老牌指标在诊断场景里可能「帮倒忙」——专家盲评和滑片级诊断一致性，才是硬通货。
同济开源AfordAny：单张照片搞定3D功能定位，473类基准领跑
单张照片就能告诉机器人“杯子把手在哪、椅子坐哪里”？同济大学与中科院最新开源AfordAny，把开放世界3D功能定位做成了端到端流水线，473类基准直接拉满。
首个危险品海运合规基准：13款LLM实测，Gemini接收但安全项翻车
危险品海运合规，写错一个隔离码就可能火烧连营。这篇论文首次发布DGEval基准，用1678道题横评13款大模型：Gemini 3.1 Pro总成绩碾压人类从业者，却在积载、隔离等最要命的环节集体翻车。漂亮总分之下藏着哪些安全盲区？这份答卷值得所有做AI落地的人细读。
