搜索
最小编辑蒸馏：不靠推理时图描述提升视觉数学推理
视觉数学推理常因模型误读图形而从错误前提出发。一篇新论文提出最小编辑式在线策略蒸馏：训练时用参考图描述和已验证解答，仅对教师不认可的词元施加纠正损失，正确轨迹则用任务奖励强化学习。推理阶段无需额外图描述，效果可达到或超过推理时提供参考描述的基座模型。
6 分钟前动态重构不够：多模态健康表征或放大因果偏差
多模态健康记录表征常被用来校正混杂，但重构训练未必保留因果识别所需信息。论文证明任何仅基于协变量的训练目标都无法认证表征充分，且双重稳健与交叉拟合消不掉一阶偏差。模拟显示丢弃稀有混杂后，间接效应区间在3000样本时覆盖率仅2%。
7 分钟前动态MPIDetector用少样本推理检测跨模态提示注入
论文提出MPIDetector，用少样本上下文学习而非微调，检测文本与图像中的提示注入。评测覆盖Gemini、Qwen与豆包等模型，文本最高准确率90.91%，视觉最高99.28%，500条混淆网页注入检出率最高99.80%。价格与国内可用性未知。
7 分钟前动态PhysTrace：免训练定位视频生成模型的物理违规时段
PhysTrace提出免训练框架，将多模态大模型基于历史生成的物理预期与观测视频窗口对齐，定位物理违规时段并给出解释。配套基准IntPhys2-Timing补充违规区间，跨物理原则最高命中率达70.7%，并在IntPhys2可能与不可能判别上优于对比方法。国内可用性、价格与实现参数未知。
15 分钟前动态PointerBench发布：1500组样本诊断细粒度GUI定位
新基准PointerBench含1500组截图指令，覆盖表格、长文本与100款专业应用的细粒度GUI定位。Text最难：Claude Fable 5、GPT-5.6 Sol、UI-Venus-2-9B为69.6%、53.4%、25.8%，平均83.2%、77.7%、54.5%。价格与国内可用性未知。
18 分钟前动态Trion-1：用扩散语言模型统一蛋白质序列、结构与自然语言
论文提出Trion-1，称其为首个原生统一的蛋白质多模态扩散语言模型，以离散词元同时表示序列、结构与自然语言。模型覆盖折叠、逆折叠、理解与设计等六项能力。严格同源控制下单样本折叠TM-score超过0.8；序列理解与Claude Opus 4.7相当，相关分数为62.37%。价格与国内可用性未知。
19 分钟前动态Dual Exam分轨评测多模态智能体与世界模型
Dual Exam提出受控评测，分别检验多模态智能体动作选择与世界模型状态演化，覆盖物理、数字、社会与科学领域。智能体赛道1088题中GPT 6 Astra案例加权指数为31.3，世界模型全覆盖中GPT-Image-2总体分为21.7，二者指标不同不可直接比较。一项150例耦合试点任务成功数为零。
22 分钟前动态RoSA针对显著性坍缩改进长文本图文对齐
研究指出长文本图文对齐存在显著性坍缩：模型过度依赖视觉突出文本，非显著上下文虽有信息却被低估。RoSA把图文拆成显著与上下文互补视图，并用辅助目标联合学习。论文称该方法提升长文本检索并增强抗坍缩能力，辅助目标还可即插即用。代码与检查点据称公开，地址、价格及国内可用性未知。
25 分钟前动态PopDRP用关系精炼与选择性人群图诊断脑疾病
2026年10月论文提出PopDRP，用于多模态脑疾病诊断的人群图学习。方法仅用训练标签按诊断一致性校正属性相似度，融合功能连接与非影像表征细化关系，再以选择性金字塔状态空间模型做多分辨率学习。ABIDE与ADHD-200十折验证准确率和AUC优于基线；具体数值、代码及国内可用性未知。
28 分钟前动态综述梳理6G智能体式多模态AI的安全隐私风险
2026年10月提交的综述从安全与隐私视角讨论6G中的智能体式多模态智能，涵盖感知、记忆、工具调用和多智能体编排，并整理跨层威胁与缓解方向。价格、国内可用性及实验参数均未知。
34 分钟前动态Gemini 3.8 Live上线Live Avatar，企业可用近实时虚拟形象
谷歌在Gemini Enterprise推出Gemini 3.8 Live的Live Avatar，将近实时视频与语音结合，实现口型同步、自然表情和流畅轮替。它同时处理视听输入，并可在对话持续时异步调用工具。支持97种语言切换且画面稳定；自定义形象仅企业白名单开放。国内可用性与价格未知。
35 分钟前动态EmbeddingGemma 2发布：7.4亿参数开源多模态嵌入模型
谷歌发布EmbeddingGemma 2：基于Gemma 4与Apache 2.0的7.4亿参数开源嵌入模型，可统一表示文本、代码、图像、视频和音频。支持模块化编码器、向量截断及8K上下文。权重见于Hugging Face与Kaggle，国内可用性与定价未知。
35 分钟前动态PrismaCoder发布9B与35B，以评分标准管线推进开源多模态代码智能
论文介绍PrismaForge：以可分解评分标准同时过滤多模态代码数据并作为强化学习奖励，据此构建最大开放数据集PrismaCoder-2M，并发布9B与35B模型。作者称其在图表、网页和半结构化文档上大幅领先开源模型，可媲美闭源系统。价格、国内可用性及细项参数未知。
50 分钟前动态腾讯优图发布全模态解析资源，统一输出结构化数据
腾讯优图在魔搭提供 Youtu-Parsing-Omni，五十亿级参数模型可解析文档、自然图像、图表及音视频，输出统一结构化 JSON。模型卡列出任务提示、推理示例和插件；不同输入类型需使用相应任务配置，使用条件遵循其专用许可。
50 分钟前动态OpenVLHarness：用持久多模态记忆提升视觉智能体工具调用
OpenVLHarness是免训练的多模态推理框架，用能力层接入异构工具，并以持久记忆保存图像、数据和网页证据。它在22项基准、八种骨干上相对无工具基线平均提升9.7至12.6分。
50 分钟前动态Cloudflare 开放多模态决策模型，一次返回多题概率
Clef 基于 Qwen3.8-27B，将文本、JSON、图片或视频状态与结构化问题一起输入，一次前向计算就返回每题候选项的概率。它不生成自由文本，接口兼容相关决策模型格式，仓库提供权重、联合评分头和多题示例，采用 Apache 2.0。适合构建受限选项的业务判断。
50 分钟前动态MiniMax 更新多模态闪电模型，面向编码与电脑操作
MiniMax-M3.1-Flash 是原生多模态混合专家模型，接收文字、图片与视频，最多支持百万词元上下文。模型页给出约 4280 亿总参数、230 亿活跃参数，并以稀疏注意力、量化感知训练和推测解码改进效率，面向工具与电脑任务。部署需核对完整权重资源。
50 分钟前动态深度求索更新闪电模型，强化编码与视觉任务并缩短输出
DeepSeek-V4.1-Flash-1017 在此前版本上更新推理、编程、智能体和视觉能力，模型页同时强调更短输出与更快任务执行。仓库以 MIT 许可开放权重，并提供新的提示编码参考实现；接入时需注意没有直接附带常见的 Jinja 聊天模板。兼容性需单独验证。
50 分钟前动态Prism：用动态稀疏注意力加速原生2K音视频联合生成训练
Prism提出面向原生2K音视频联合生成模型训练的动态稀疏注意力方法。系统依据局部视觉方差和音视频交叉注意力划分时空区块，以保持语义连贯与跨模态交互。实验显示相较全注意力训练加速2.5倍且生成质量更高；价格、国内可用性及更多参数未知。
52 分钟前动态英伟达发布GLM-5.3-Flash的NVFP4本地量化模型
英伟达放出GLM-5.3-Flash的NVFP4本地量化权重：总参3200亿、激活180亿，支持文本、图像、视频，上下文约100万。模型卡称约166GiB显存，双路RTX PRO 6000或DGX Spark可用vLLM；新缩放格式上游未支持，须社区容器。国内与价格未知。
1 小时前