新闻、仓库与研究，按时间排列。
研究者对文档分类标准 benchmark RVL-CDIP 进行系统审计，发现其 400,000 份文档中约 10.5% 标签错误，35.2% 的测试集在训练集中存在重复或近似重复。移除页面识别码后 SOTA 模型损失 11 个百分点，图像模型在分布外文档上损失 16 至 28 个百分点。团队重训 25 个模型并发布去标识化修正语料，重训的 13 个模型准确率提升 0.9 至 2.9 个百分点，最高的 LayoutLMv3 达 96.5%。
一项 arXiv 研究测试了 LLM 在同时收到国家身份与语言身份线索时的文化价值表现。在 World Values Survey 选择题探测中，语言线索对答案的影响约为显式国家线索的三倍，但方向偏离对应国家的分布；在 160 万条开放式回答中，点名国家能弥合 30-44% 与模型自身回答的差距。研究认为国家与语言线索应作为不同信号分别评估，而非可互换的文化代理。
研究提出用大语言模型的 in-context learning（ICL）改进音乐 Valence 和 Arousal 连续预测：小任务模型先给出初始预测，再用辅助数据集示例修正。在 MER60 全集作为 held-out 测试集上，基于歌词和音频描述的文本 ICL 用 80 shots 将 valence R² 从 0.110 提升到 0.427，含原始音频的多模态变体仅用 10 shots 达到 0.346。这种免训练方法提供了一种推理时的音乐情感预测策略。
研究者发布 CrisiLangs，将英文危机预警数据集 CrisiText 扩展至意大利语、保加利亚语、德语和希腊语，共涵盖 411 个场景中的 1,000 个事件、五种语言合计 5,000 条事件-预警消息对。微调多语言模型在 ROUGE-L、BLEU 和 BERTScore 上各语言均优于 zero-shot 基线；人类偏好实验显示低解码温度在五种语言中最受青睐。
该综述以任务为中心，将长文档视觉问答（VQA）分解为文档解析、证据组织与检索、生成器组织与学习、评估四个组件，并为每个组件建立细粒度分类体系。时间分析显示研究重心从多模态内容理解扩展到高保真证据获取与持续证据管理。作者展望了证据充分性、可验证可纠正的理解、预算感知协调及持续文档理解等未来方向。
双语语言模型的跨语言迁移与人类 L2 阅读中的 L1 偏向相符。研究基于 12 种母语背景读者阅读英文的眼动数据，发现使用与读者母语匹配的双语模型比单语英文基线和其他母语模型更能预测 L2 阅读时间。这种预测优势集中在晚期眼动指标，受 L1-L2 文字系统重叠程度调节，并在中等水平读者中最明显。
一项 arXiv 研究用 601 对天城文-拉丁文审计身份对测试发现，Qwen2.5-7B 在马拉地语提示下，同一人名判断准确率从拉丁文的 35.1% 降至天城文的 8.5%。在 374 对马拉雅拉姆语对上复现了该效应，0.925 AUROC，且标量校准可恢复 87% 的模型-探针平衡准确率差距。对 Qwen 中间层的干预将马拉地语同一人准确率从 6.5% 提升至 33.5%，不同人准确率保持 98.5%。
MoG-VLM 是一个运动自适应视频异常检测框架，用时间梯度幅度（TGM）做内容感知采样，仅在异常可能性升高的帧附近触发 VLM 推理。该方法在 XD-Violence、UCF-Crime、MSAD 和 ShanghaiTech 四个基准上分别取得 91.91%、84.30%、87.88% 和 78.96% 的 AUC-ROC，其中三个基准在 zero-shot、免训练设置下刷新 SOTA。在 XD-Violence 上较此前最佳提升 +0.57%，同时推理提速 1.31x，代码已在 GitHub 开源。
一篇 arXiv 论文提出“可争议治理”模式：基于 LLM 的专家智能体为有争议的元数据决策生成带评分和引用的论证，steward 可在提交前接受、拒绝、修改或补充论证，治理记录保留证据、干预与结果。工作流包含分级分诊路径、评分与记录模型及已验证决策的先例门控，版本化领域术语表为智能体提供术语与缩写定义。两个 HVAC 用例展示了基于 Brick Schema 的点位分类（附开源参考实现）和关联索赔字段、遥测与服务记录的保修失效模式决策。
一项 arXiv 研究比较了 81 种语言中 196 个基本概念的关系结构，使用两个多语言模型的词嵌入进行量化。结果显示，社会文化语义的跨语言一致性高于自然与运动语义；社会文化领域内的差异随地理距离增大，亲缘更远的语言在所有领域差异都更大。
研究者推出 TRIAD 基准，用文本-图像-音频三元组评测全模态大模型的歧义消解能力，包含 327 个手写问题、86 个场景组和 18 类歧义。对 14 个全模态系统的评测显示，最佳模型的组级准确率仍落后人类 20 分以上；移除答案选项后模型组准确率跌至个位数，且现有系统在文本和图像并存时常低估音频线索。
研究者发布尼泊尔语-英语夹杂 ASR 基准，含 13,044 条自发播客语句（共 15.45 小时）。两阶段合成到真实适配框架中，仅用 0.95 小时 TTS 合成语音做 SFT，将 MER 从 23.40% 降至 21.52%，语言切换点错误率（SPER）从 35.89% 降至 28.77%；后续 GRPO 仅带来小幅统计显著调整。SFT 同时将尼泊尔语 MER 提升 2.71 pp，而英语词错率保持 3.38%。
论文提出 HFCMA 框架，用于细粒度图文检索，先通过动态粒度发现（DGD）将图像 patch 与文本 token 聚合为语义紧凑的视觉区域和文本短语，再把区域-短语匹配建模为熵正则化的最优传输问题，并引入背景去偏、文本重要性加权和原型一致性正则。在 Flickr30K 和 MS-COCO 上的实验表明，该框架在双编码器检索下提供了结构化局部对齐信息，提升了对细微语义差异的区分能力。
研究者提出视频中心深度研究报告生成任务，并发布技能工作流与评测基准 OmniDR-Bench。该基准包含 50 个中英文任务、覆盖 19 个真实子类别、共 6,414 条标准，并采用 Omni Atomic Rubric Trees（Omni-ARTs）从视听定位、多模态证据使用和交互式呈现三个维度评估。在 18 个智能体配置中，最佳系统仅得 63.3/100 分，代码与数据已开源。
研究者提出 RoSA，一个显著性感知微调框架，用于缓解长文本图文对齐中的「显著性坍缩」问题，即模型过度依赖视觉显著的文本而忽视非显著上下文。RoSA 将图文对分解为互补的显著与上下文视图，结合目标级视觉显著性估计与基于 LLM 的文本分解，并用辅助目标显式对齐两视图。该方法在多个 benchmark 上提升长文本检索性能，辅助目标即插即用，可为现有调优方法带来一致增益，代码与 checkpoints 已开源。
arXiv 论文提出 Dual Exam 评测框架，在物理、数字、社会和科学领域分别固定环境响应测试多模态智能体、固定动作干预测试世界模型。Agent 赛道含 1,088 项、15 类报告维度的 10 种配置，GPT 6 Astra 以 31.3 的 Agent Index 居首；World Model 赛道含 400 个案例、8 个场景，GPT-Image-2 以 21.7 的全覆盖总分领先。150 个案例的耦合试点任务成功为零，揭示了任务表现不均与任务相关状态保持失败的问题。
研究者提出 MQAScore，利用大型音频语言模型（LALM）对二元问题的肯定回答概率，沿流派、乐器、情绪主题、人声、用途五个维度逐一验证原子音乐概念。他们还基于存在/缺失标注和 LLM 引导的概念替换构建验证标签，并提出 Sensitivity-Invariance Ratio 衡量评估器对改变语义替换的选择性响应。实验显示概念级评分可提升问答式与相似度式评估器，MQAScore 可作为全局相似度的可靠、可解释细粒度补充。
研究者提出一种 codebook-free 方法，在 Fisher Kernel 框架内编码多尺度 CNN 特征的二阶信息，用于缺乏几何不变性的图像聚合。该向量的判别力在 INRIA Holidays 和 UKBench 两个困难基准上得到验证，检索精度较 state-of-the-art 显著提升，维度仅略微增加。
一项多语言研究发现，LLM-as-a-Judge 评估中的提示策略不可跨模型迁移：评测模型的选择比提示策略的选择影响更大，同一策略在不同 judge 上效果方向会反转，且低资源语言下稳定性下降。研究测试了 9 种提示策略、4 个开源 judge 模型、27 种语言、4 个任务共 13 个数据集，产出超 100 万条基于标准答案的点对评分，并经人类判断验证。研究建议提示策略应针对具体评估场景验证，跨研究比较需同时考虑 judge 与提示配置。
Hugging Face 发布卫星嵌入模型 OlmoEarth v1.3，可读取一整年的 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱数据，为全球每个 10 米像素生成 128 维嵌入向量，并同步公开全球预计算嵌入及浏览器工具 Embeddings Explorer。在 27 项评测中，其 128 维嵌入在 20 项上领先 AlphaEarth Foundations（AEF）和 Tessera v2，64 维版本在 18 项上领先；模型权重、预训练数据与代码全部开源，复现一次最终训练约需 $2,720 的 H100 租用算力。
一项 arXiv 研究评估了三个 LLM 基于部分已知回答预测问卷缺失题项回答的能力，并与最大化 embedding 相似度的简单基线对比，数据来自两项关于自动驾驶或轻型电动车态度的调查。结果显示 LLM 大多优于基线，但随已知回答比例下降，其表现持续变差，在其中一个调查中降至与基线持平，表明其数据增强能力依赖足够的人类数据。
arXiv 论文提出 MPIXEL 像素语言模型系列，沿更多语言、更多文字、更大模型容量三条轴扩展多语言预训练，在覆盖 83 种语言的五项任务上评估。结果显示扩展呈局部效应：各轴仅提升新增语言与文字，更大容量可缓解多语言诅咒；对未见文字的迁移随多语言预训练改善但不随扩展继续提升。这些模型在多种文字系统的低资源语言上超过 subword 与字符级基线。
研究者构建了包含 60 余万条样本的罗马尼亚语-英/德/法/意混合语言讽刺检测数据集 CS-SeLeRoNa 及人工校验的 CS-SeLeRoNa-Gold 基准，采用随机替换、短语翻译、依存句法分析和 LLM 四种方法生成语料。评测显示，老一代开源模型 macro-F1 降至 37%-55%，Gemma 4 31B 零样本达 68.1%，接近 GPT-5 mini 的 69.5%；微调后 Gemma 4 31B 在 CS-SeLeRoNa 上达 77.5%、gold 基准上达 72.6%，超过前沿模型零样本基线。
研究者提出 MHG-Mem，一种多模态超图记忆，联合组织实体身份、状态演化及到视觉证据的溯源，并以超图智能体搜索进行跨层遍历与细粒度验证。在三个 benchmark 上，MHG-Mem 较最强基线提升 8.20-9.98%。
论文将 Gemini 3.8 Flash（temperature 0）作为事件触发跌倒筛查器的决策端，零样本判定 32x24 公开热成像数据集中的短片段：438 次摆拍跌倒中被叫出 67%（留出受试者 69%），499 个非跌倒窗口无一误报。在 160x120 有人居住房间 76 小时录音中，395 个日常片段零误报，9 次可见摆拍跌倒捕获 4 次；删除提示词中一句关于离开视野的警示后，敏感率在家用场景升至 9/9，但会把故意躺下误判为跌倒。8x6 像素下敏感率降至 34%，而两个传统检测器在实验室近乎全中却在家庭场景每天误报 14.2 和 23.9 次。作者公开了帧级跌倒标注和全部模型回答。
推荐理由：论文用真实部署口径实测多模态 LLM 做热成像跌倒筛查，给出了敏感率与误报数据，并指出提示词一句话对结果的显著影响。
arXiv 论文（arXiv:2610.30026）指出，主流文档转换器会丢失作者通过排版编码的含义，导致企业 Agent 自信地答错而非明显不完整。基于 76 份真实政策文档的任务上，格式盲摄取使 micro F1 从 0.690 跌至 0.150（docling）和 0.075（纯文本），差距在两个厂商的六个回答模型上复现；span 级 leave-one-out 将损失定位到高亮（+0.302）和颜色（+0.262），6,460 份文档中 32.8% 带有刻意颜色或高亮。结论是可靠性取决于摄取而非推理，修复方式廉价且可测量。
推荐理由：研究用 76 份真实政策文档量化文档摄取层丢失格式线索的程度，并给出低成本可测的修复方向，对 Agent 构建者有直接参考价值。
研究者推出 BatchBench，一个评估 AI 系统在生物医学图像上对未见实验批次和数据来源的鲁棒性排行榜。它基于最大的公开生物医学成像数据集之一 JUMP-CP 构建，该数据集由 Cell Painting 实验生成，存在明显的批效应和域偏移。摘要指出，尽管域自适应方法已有进展，域偏移下的性能差距仍然显著。
研究者推出 MOSAIC 基准，包含 923 个问题，覆盖 11-24 个会话的文本、图像、视频、音频人格化历史。该基准通过冻结问题、读取器、提示词与预算，对表示、检索、传递环节进行干预诊断，发现表示损失依赖模态、即使有金标准证据读取仍是主要瓶颈，且拒答能力弱。MOSAIC 将全模态记忆评测从排行榜转变为对写入、检索、传递、读取各环节失败的诊断。
研究者提出多模态海洋基础模型 YingLan，融合物理属性条件动态编码、Spatiotemporal Increment Coupling（STIC）与海洋状态演化感知预训练，统一处理卫星影像、网格化海洋场和浮标观测等异构数据。模型基于 MindSpore 实现，在华为 Ascend 910B NPU 上训练；在深圳近海七天海表盐度预报任务中，平均 RMSE 为 0.687508 PSU，较 LangYa、XiHe、GloNet2 分别降低相对误差 0.58%、5.31% 和 12.42%。
Johns Hopkins 团队提出 OpenMAP-HIE，一种病理引导的 score-based 扩散模型，无需体素级标注即可在 ADC 图像上无监督定位新生儿缺氧缺血性脑病（HIE）病灶。方法用扩散模型学习健康新生儿 ADC 分布，并以 ControlNet 条件分支保留患者解剖结构，在 BONBID-HIE 数据集上取得 Dice 0.283±0.244，加入群体 ADC Z-map 精化后 Dice 提升至 0.602±0.269。
研究者提出 LLMSeg，一种免训练管线，将支持视觉的多模态大语言模型直接变成文本提示图像分割器，无需分割头、mask 解码器或专门训练。方法将分割分解为 detect、segment、refine 三个 LLM 驱动阶段，用闭合周期 B 样条勾勒边界并迭代修正。基于现成的 Gemini-3.7-Flash，LLMSeg 在 ReasonSeg val 上达到 71.5 cIoU，与专门的 SAM 3 相当甚至更优，代码已开源。
MERP 框架通过将多模态序列映射到固定大小的潜在库进行推理，提升模态缺失时的情感识别鲁棒性。在 20% 测试期随机模态缺失下，它在 CMU-MOSEI 和 M3ED 上分别取得 0.563 和 0.780 micro-F1；在 CMU-MOSEI 仅音频的严重场景中保留 0.473 micro-F1，远超 LDDU 的 0.022。该方法无需训练时的缺失模态样本，代码已开源。
一项 arXiv 研究发现，大型音频-语言模型（LALMs）难以定位音乐中被描述的时刻，但这并非时间信息缺失，而是 prompting 提取方式的瓶颈。研究基于 Slakh2100 stem 激活构建配对查询探针，对同一段音频同时施加状态查询和变化查询，并改变模型可见的前置音频量。结果显示，状态查询无需上下文即高于基线，变化查询在多数短段模型中随前置上下文改善，而 30s padded 编码器无类似恢复；prompting 失败低估了模型可验证的内容，但未低估其可定位的内容。
研究者提出一套边缘可部署的蜂箱巢框检测流程：用目标检测器识别具生物学意义的巢房类别，将检测结果蒸馏为结构化事实模式，再转为受约束的事实文本并触发知识库，生成可解释、可执行的蜂群检查报告。系统基于开源 FAIRHiveFrames-1K 数据集构建，并额外发布将图像事实与文本解释互相对应的 FAIRHiveText-1K 数据集，便于后续基于 LLM 的研究。
一项 arXiv 研究显示，在 Director Task 中，先询问模型“导演能看到哪些方块”再让它执行“选最大方块”的指令，会使 GPT 六个模型选择被遮挡方块的比例上升 12 至 88 个百分点，Qwen3.8-27B 上升 17 个百分点，尽管模型大多能正确报告导演视角。原因在于该问题改变了模型对请求的解读方式；当提示词明确说明导演所知所指时，正确报告与误选隐藏方块同时出现的比例不足 1%。作者提出仅差这一问的成对提示词设计，作为任何视角采纳基准可用的无问题基线。
研究者提出 OACap（Observation-Adaptive Video Captioner），一个以描述为中心的智能体，将缺失信息转化为定向观察请求，借助时空工具获取证据并迭代校验和修订描述，在通用视频理解基准上使用固定纯文本读取器即可持续提升性能。论文还发布 FSCap-Bench 诊断描述保留的信息，其 CSFS 分数在 93.0-98.3% 的有效描述对上对四种受控扰动响应符合预期，CSRS 分数则通过 video-caption-video-caption 往返度量语义保留度。
研究者推出 Omnilingual-MsASR 基准，评测全模态大语言模型在长篇多说话人语音识别（MsASR）上的表现，覆盖 6 种语言、最长 30 分钟录音和最多 20 个说话人场景，并提供并行音视频输入以检验跨模态一致性。评测显示主流全模态 LLM 存在明显性能瓶颈，tcpWER 频繁超过 100%，细粒度时间定位、说话人区分和跨模态协同是未来关键挑战。
IBM 在 Hugging Face 发布 Granite Speech 5.0 系列：新增 granite-speech-5.0-2b 语音语言模型，并更新 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。2B 版支持六语种转录与翻译、2000 词关键词偏置，英文平均 WER 5.06%，在开源权重 ASR 模型中排名第 2；Turbo CTC 版扩展至七语种并提速约 1.6 倍至 19,870 RTFx；4.1 2B Plus 说话人归因与时间戳更准，长语音 WER 降 24%。三款模型均为 Apache 2.0 许可，支持 Transformers、vLLM、llama.cpp 等。
推荐理由：官方给出各模型在 Open ASR Leaderboard 上的 WER、RTFx 和说话人归因误差对比数据，读者可据此挑选适合的语音模型。
研究者提出 MOTION，一个用于社区一致性人类移动生成的多智能体框架，将移动生成形式化为动态用户-位置图生成。该框架由用户 agent、位置 agent 和全局管理 agent 组成，先用 Leiden 算法检测历史移动中的社区并提取社区条件交互先验，再由用户 agent 规划移动、位置 agent 从社区视角推断到达、管理器协调两视角并定向反思修正。在两个真实数据集上，MOTION 在个体轨迹、人口与流量分布、社区与图结构等指标上比基线至少高出 4.05%，代码已开源。
一篇入选 NeurIPS 2026 Spotlight 的论文提出，用信息分解作为统一形式框架来操作化 AI 系统中关于涌现与协同的评估。该框架区分组件独有的信息、多组件共享的冗余信息和只有组合才能获得的协同信息，并给出可证伪标准：系统行为只有在携带关于任务结果的协同信息时才可称涌现。论文将这一视角应用于注意力头、自主智能体和人机团队。