CREATE 基准：用视觉远联想测试评估 VLM 创造力
研究者提出 CREATE，一个包含 155 道视觉远联想测试（RAT）题目的半自动构建基准，要求模型从三张看似无关的图像中找出潜在联系。团队通过 25 人的人类研究验证基准质量，并评估 11 个 VLM，结果显示多数 VLM 在该任务上表现不及人类，其联想能力依赖文本提示概念，不能普遍迁移到视觉谜题。
#多模态
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分2222 arXiv · cs.CLAI 评分5151 Rethinking Projector Training in Multimodal LLMs：PORTAL 免训练 projector 初始化方法发布
Fabian Gröger 在 arXiv 论文（NeurIPS 2026 camera-ready）中提出 PORTAL，一种无需配对图文数据与梯度优化的免训练 projector 初始化方法。研究发现仅用 10 到 20% 数据训练 projector 即可恢复大部分下游性能，且不同数据集训练的 projector 可线性插值，表明该阶段主要做粗对齐。PORTAL 通过在共享主子空间上计算视觉与语言特征高斯近似间的最优传输映射跳过 projector 训练，在 6 个 LLM 骨干、2 个视觉编码器和 16 个基准上匹配 558k 图文对训练的标准流程，在 7 组设置中 3 组超越该流程，其余 4 组平均达到其 98% 的分数。论文链接：https://arxiv.org/abs/2610.18598v1
arXiv · cs.CLAI 评分3737 LLM 为何难以动态诊断：从后见到前瞻的临床证据获取机制剖析
一项 arXiv cs.CL 研究剖析 LLM 在动态诊断中失败的原因，追踪其从证据识别、利用到下游诊断更新的全过程，除诊断准确率外还考察证据覆盖率、轨迹动态、概率与信息熵。研究发现 LLM 虽能诊断完整的静态病例，但难以主动获取对诊断关键的证据，核心挑战从是否具备临床知识转向能否在动态诊断中识别并有效利用正确证据。
arXiv · cs.CLAI 评分2828 语音基础模型中基于语言选择性维度的语码转换检测方法
一项提交至 ICASSP 2027 的研究提出直接从语音中检测语码转换（CS）的轻量方法：利用单语录音识别预训练语音编码器中的语言选择性隐层维度，并聚合其帧级激活做出预测。在 CS-FLEURS 的 14 个语言对上，Whisper-small 编码器平均 F1 达 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751，可用于筛选多语训练语料。
arXiv · cs.CLAI 评分2222 看似完整不等于真正落地：用人工撰写灾情报告评估 LLM 生成的 Sitrep
研究者从专业人道主义灾情报告中提取 15 槽位信息框架，评估 121 份人工报告与 261 份 LLM 生成报告。在 Cyclone Idai 上，gemini-3.7-flash 评审下最佳机器报告得分 0.827 略高于人类上限 0.821，但差异在统计上不可区分，且在 gpt-5.6-luna 下不复现；机器报告仅复现 5.4-11.0% 的当日官方数据，且发布来源信息（日期、机构、权威性）均未达到专业报告覆盖水平。
arXiv · cs.CLAI 评分4747 OmniCompass：面向全模态视频定位与理解的整体性 Benchmark
研究者推出全模态视频定位与理解 benchmark OmniCompass，含 OmniCompass-VL 与 OmniCompass-AV 两条评测轨道，各含时序定位（TG）、空间定位（SG）和问答（QA）三类任务。OmniCompass-VL 含 820 个视频、2,460 个实例，OmniCompass-AV 含 240 个视频、720 个实例。对 50 个 MLLM 的评测显示开源模型仍落后闭源模型，尤其在视听理解方面，时序与空间定位对领先模型仍是挑战。
arXiv · cs.AIAI 评分4242 Varest：通过 Pre-LLM 语义变分辨率 tokenization 与 In-LLM 相关性剪枝实现图像 token 压缩
Varest 提出基于语义可替换性的图像 token 压缩方法：对象与文本定位器引导变分辨率合并以保留边界和文字细节，学习型 [REL] 寄存器在解码器早期处理后剪枝视觉 token。该方法在每个预算下的平均性能保留率均超过 15 个基线，在 3 个 backbone 和 13 个 benchmark 上仅用 5.56% 的原始图像 token 即保留 86.10-92.33% 的全 token 性能。
arXiv · cs.AIAI 评分5151 GeoReader：为 VLM 学习其可读取的几何表示以提升空间推理
Rong Li 等在 arXiv 发布 GeoReader 框架，训练轻量 Geometric Reader 生成连续几何 token 注入 VLM，几何描述仅作训练目标，推理时无需生成几何思维链。用 RGB 图像预测几何后，Qwen3-VL-4B 在 MindCube-Tiny 达 94.3，Qwen3.5-9B 配多源 QA 混合数据在六个空间基准平均得 72.5；论文还发现已有特征对齐模型清零对齐 latents 后准确率不变。
arXiv · cs.AIAI 评分3232 AesCode：基于解耦跨模态奖励的代码生成方法
论文提出 AesCode，通过将设计目标表示为可归因属性的 design graph，结合确定性校验器与 VLM judge 的 Visual Graph Rubric 构建解耦跨模态奖励并用强化学习优化，以代码生成幻灯片、海报、仪表盘等视觉产物。AesCode-8B 和 AesCode-32B 相对同规模 Qwen3-VL 基线将视觉质量分别提升 31.1 和 22.4 个百分点，达到接近 GPT-5.5 与 Claude Opus 4.8 等闭源前沿模型的水平。
Hugging Face · 新模型：uncensoredAI 评分1818 Hugging Face 上架 gbuzhf/MiniCPM-V-4.7-35B-A3B-Uncensored-Sangreal-ICE 模型仓库
Hugging Face 上出现 gbuzhf/MiniCPM-V-4.7-35B-A3B-Uncensored-Sangreal-ICE 模型仓库，归类于“新模型：uncensored”。仓库公开可访问，但用户需登录并同意分享联系信息、接受相关条件后才能获取模型文件与内容。
arXiv · cs.AIAI 评分4141 AffectWorld：评测情绪驱动的未来世界预测基准
AffectWorld 基准通过 Emotion-Action-World State 链条评估世界模型，涵盖世界状态一致性、情绪-行动一致性和因果一致性三项任务，共含 1,498 个日常视频样本及 233 个反事实样本，并定义八项指标加一项反事实指标。对 Cosmos3 等五个 SoTA 世界模型的评测显示，其世界状态变化分数仅 0.100-0.280，反事实情绪敏感度 0.027-0.070，表明模型在情绪驱动后果生成上仍有较大差距。
arXiv · cs.AIAI 评分3232 ShoeFit：新数据集与双图像流 DiT 框架用于虚拟鞋类试穿
ShoeFit 提出 MVShoes 多视角鞋类试穿数据集（7305 组标注图像三元组）与双流 DiT 架构，通过 Multi-View Conditioning 结合 3D Rotary Position Embedding 缓解视角错位，并利用 LayeredRefAttention 借助背景特征调制鞋类 latent 以减少背景导致的色彩失真。实验表明该方法在真实商品鞋的高保真试穿合成上显著提升渲染保真度与鲁棒性，已被 NeurIPS 2025 接收。
arXiv · cs.AIAI 评分3737 EgoOmniWorld：以 Ego-Action-World 交互统一第一人称视频理解基准
EgoOmniWorld 提出以 Ego-Action-World 交互回路统一第一人称视频理解，基准按 Node、Edge、Chain、Loop 四种交互结构组织，包含 24,166 组 QA（20,284 训练、3,882 测试）。实验显示开源与闭源多模态大模型在各交互结构上存在明显且不均衡的短板；用该基准训练可提升域内交互理解并泛化到既有第一人称基准。数据、代码与模型将开源。
arXiv · cs.CLAI 评分3131 PACT：面向表达力与音色保留的语音到语音翻译实用提示词框架
arXiv 论文提出 PACT，一种面向目标空间的提示词框架，用于保留语音者身份与情感、语调、节奏等语用信息的语音到语音翻译。该框架从源语音提取语用线索，投影到目标语言表达空间并校准后，转化为连续提示词驱动冻结的语音生成器。在双向西班牙语-英语 TOPI 评测中，PACT 在内容保真、音色保留与表达保留指标上综合表现最佳。
arXiv · cs.CLAI 评分3131 PAINT：覆盖医学考试到真实临床文本的多语言疼痛表征框架
研究者提出 PAINT 多语言疼痛表征框架，包含覆盖英语、西班牙语、葡萄牙语和日语的九个数据集分区，全部配有临床医生标注。该框架借助 LLM 集成策略提取疼痛相关性、存在性、解剖部位与人口学信息，集成标签在疼痛相关性与存在性上 macro-F1 达 0.91-1.00，人口学信息准确率 92-100%。相关标注数据、抽取流程与验证脚本已随 WorldMedQA-Pain 公开发布。
arXiv · cs.CLAI 评分2424 多语言语言模型中颜色表示几何结构的研究
一项 arXiv 研究将多语言语言模型的颜色表示分解为两个几何维度：与感知颜色空间（CIE-LAB）的对齐程度和跨语言对称性。研究发现感知基础较弱——对齐在中间层达到峰值后在输出层坍缩，且跨语言对称性随深度下降。模型在 P1 对齐峰值层的颜色分类准确率达 96.7%，P1 对齐与下游能力显著相关（r=0.70），表明纯文本模型学到的是通用的颜色-语言几何而非颜色-感知几何。
arXiv · cs.CLAI 评分5151 巴伐利亚语、德语与英语上的量化鲁棒性研究：4-bit 量化对 7B–10B 模型影响不稳定
arXiv 论文 2610.18343 用 BAVGROUND 基准在巴伐利亚语、标准德语和英语上评估 14 个开源 7B–10B 指令模型的量化鲁棒性。8-bit GPTQ 接近 BF16 且基本保持三语相对行为；4-bit GPTQ 与 AWQ 使平均准确率下降约 1.4–1.5 个百分点，改变 11.9–16.0% 的 BF16 决策，且 5 个模型的自由文本评测显示 4-bit 压缩在选择题准确率变化不大时也可能劣化生成回答。受影响最大的语言随模型、量化方法和校准数据而变，不能仅凭聚合多语言准确率衡量。
arXiv · cs.CL精选AI 评分5252 Agaram 2.5B：从零训练的泰米尔语优先语言模型，支持工具调用并开源权重
作者在 arXiv 发布技术报告，宣布从零训练出 2.5B 参数的泰米尔语-英语模型 Agaram 2.5B 并开放权重。
推荐理由：作者公开了从训练配置到评测弱点的完整细节，包括约 13300 美元成本和知识能力的短板，可作为小语种模型从零训练的参照。
arXiv · cs.CLAI 评分1818 如何从语音信号直接估计 surprisal：一种基于重要性采样的方法
一项 arXiv cs.CL 研究提出用语音 LM 直接从语音信号估计 surprisal，摆脱依赖文本转录的瓶颈。该工作引入重要性采样估计器，通过 TTS 模型对抽象语言单元的多种声学实现边缘化，在瞳孔测量听感实验中，发现该方法比逐实现估计更准确预测瞳孔扩张，亚词汇单元的 surprisal 也有预测力；但整体上 surprisal 对瞳孔变化的预测力不强。
arXiv · cs.CLAI 评分2222 检索分歧作为信号：诊断并调控多语言稠密嵌入模型
多语言稠密检索器将所有语言放进一个共享向量空间，但同一问题用不同语言提问会检索出明显不同的文档；各语言单独排序表现一致，分歧仅在共享索引下出现，正确答案被同语言或英文的无关文档挤到靠后位置。研究提出 disagreement-guided steering 方法：对比各语言一致文档与该语言特有检索文档的表示差异，得到语言专属方向并在推理时加到对应语言查询上，相比 language-mean removal、subspace removal 和 per-language rotation 等基线最能减少同语言挤占，同时在 recall 上保持竞争力。
arXiv · cs.AIAI 评分5151 Omni-Modal LLMs Know More Than They Say：全模态模型感知正确却难以表达非文本模态信息
arXiv 论文 arXiv:2610.16135 提出全模态大语言模型（Omni-LLMs）存在 knows-but-cannot-say 现象，即模型能正确感知视觉、音频、IMU 等非文本模态信息，却无法在回复中表达出来。作者提出 token 级模态对齐指标 TMA，发现非文本表征与回复 token 的对齐度和获得的注意力都低于文本表征，并提出 perceive→infer 策略 OmniCatalyst，用模型自生成的文本补充原始模态输入；在七个 Omni-LLM 上平均提升 7.29%，使模态偏好更均衡，知识提取阶段会提高 TMA。论文共 36 页、25 图、14 表，代码已开源。
arXiv · cs.AIAI 评分4545 Choice2Seq 基准：衡量模型在完整答案选择与序列构造间的正确性保持
arXiv 论文提出 Choice2Seq 诊断基准，用序列构造保持率（SCR）衡量模型选对答案后能否通过局部决策序列正确构造出该答案。Jev 在算术和词法检索上的选择准确率达 97.1% 和 99.5%，但串行构造下正确率仅保留 33.0% 和 2.1%；StartLux 与 Qwen 也存在明显差距。限制局部候选字符可改进构造，显式位置索引可提升复制保真度。
Google · AI 博客精选AI 评分7474 Google 发布 Gemini 4 Argon，全渠道开放并公布基准表现
Google 发布 Gemini 4 Argon，面向开发者、企业和消费者全球开放，API 定价为每百万输入 token 2 美元、输出 token 10 美元，支持 1M 输入输出 token 上限。模型在 Vals Index 排名第一，ERQA 具身推理基准得 87%，在 Antigravity 中使智能体代码提交量增加超 35%、回滚减少近三分之一；安全方面对抗性违规减少近 2 倍，Gray Swan 间接提示注入基准下 15 次自适应攻击成功率降至 0.7%。
推荐理由：官方发布给出工程、科学与机器人三线的实测数据，可用于评估该模型在长程复杂任务上的真实表现。
Hugging Face · 趋势模型精选AI 评分6262 
Black Forest Labs 开放 FLUX 3 Image Klein 5.6B 文生图与图像编辑权重
Black Forest Labs 在 Hugging Face 开放 FLUX 3 Image Klein 权重，这是一个 5.6B 参数的文生图与图像编辑模型，支持最多 10 张参考图，以 Qwen3-VL-4B-Instruct 作为文本编码器。仓库含 BF16 蒸馏版及 FP8、NVFP4 量化变体，B200 上 1024x1024 推理峰值显存 BF16 为 31 GB；蒸馏版 16 步采样供自托管与 BFL API 使用，未蒸馏 Base 版用于微调与 LoRA 训练。模型采用 FLUX Kommunity License v.1.0，年收入低于 500 万美元的 Qualifying Users 可商用输出。
推荐理由：模型卡同时给出蒸馏与未蒸馏两个检查点的定位、显存占用和许可证门槛，方便自托管者判断选哪个版本。
Hugging Face · 趋势模型精选AI 评分6464 
NVIDIA 发布 Nemotron 3.5 Super VL 120B-A12B 的 NVFP4 量化版
NVIDIA 在 Hugging Face 发布 Nemotron 3.5 Super VL 的 NVFP4 量化版本，这是一个 120B 总参数、12B 激活参数的视觉语言模型，采用 Mamba-2 与 MoE 混合架构加 C-RADIO 视觉编码器，支持最高 1M token 上下文和原生 MTP 投机解码。量化通过 BF16 模型的量化感知蒸馏完成，模型卡给出了 BF16 与 NVFP4 在 GPQA-Diamond、SWE-bench Verified、Video-MME v2 等数十项基准上的对照结果，并提供 vLLM、SGLang、TensorRT-LLM 在 DGX Spark、H200、H100、GB200 上的部署配置，许可证为 OpenMDW-1.1，可商用。
推荐理由：模型卡同时给出 BF16 与 NVFP4 的完整基准对照和多种硬件部署配置，读者可以据此评估量化损失与所需显存门槛。
arXiv · cs.AIAI 评分2525 研究量化 GPT-4 与 GPT-5 对心理健康污名的表征与人类感知的差距
一项研究用 GPT-4 和 GPT-5 评估大语言模型对不同性别群体心理健康污名的表征。研究 1 发现模型一致将男性描绘为社交距离意愿最高、刻板印象得分较高、求助态度最不利；研究 2 对比 Healthy Minds Study 的 76,406 人数据，发现模型低估 Personal Stigma 和 Perceived Stigma、高估 Self Stigma，性别序位模式仅部分与人类数据一致。
arXiv · cs.AIAI 评分2828 OT-FlowRec：最优传输引导的多桥流匹配多模态序列推荐框架
论文提出 OT-FlowRec，一种最优传输引导的多桥流匹配框架，用于多模态序列推荐，显式建模电商会话中并发的多中心用户兴趣分布。该方法构建并行的兴趣专属传输流，并通过几何传输机制和渐进式时间采样 warmup 策略连接连续分布拟合与 top-k 排序指标。在三个公开数据集上的实验表明其优于现有 SOTA 基线。
Hugging Face · 新模型：uncensoredAI 评分2424 xohaohe 发布 Qwen3.8-27B-TURBO-Fable5.5-Cold-Fusion-L-Uncensored MLX 量化模型
xohaohe（华哥）发布 27B 级 MLX 多模态混合精度量化模型 Qwen3.8-27B-TURBO-Fable5.5-Cold-Fusion-L-Uncensored-fp16-oQ4e-mtp，使用 oMLX 0.7.1 处理，开放下载。模型基于稠密 Qwen 架构，默认 4-bit affine（group size 64），保留视觉编码器与 1 层 MTP，上下文配置 262,144 tokens，4 个 Safetensors 分片共 17.94 GB。本量化版本测试成绩待补充，上游成绩不代表其实测表现。
Hugging Face · 趋势模型精选AI 评分5656 
OpenMOSS 发布 MOSS-Image-SFT 文生图模型
OpenMOSS 发布 MOSS-Image 系列的监督微调文生图模型 MOSS-Image-SFT，由 MOSS-Image-Base 微调而来，示例显示 SFT 版文本分组更清晰、白板排版更有序。模型支持自然语言提示词、标签序列和 JSON Layout 控制文字位置与物体排布，权重与推理代码以 Apache 2.0 许可开源，VAE 采用 FLUX.2 small decoder，并提供 ComfyUI 插件和 Prompt Enhancer skill。
推荐理由：官方给出了从 Base 到 SFT 的同图对比和完整推理配置，读者可以直接复现文本排版更整齐的文生图效果。
Hugging Face · 新模型：uncensored精选AI 评分5252 SargeDev 发布 JEV-27B-VL-Uncensored-NVFP4 量化模型
SargeDev 在 Hugging Face 发布 JEV-27B-VL-Uncensored-NVFP4，将 AutoTrust 的 System-1 决策模块合并进 huihui-ai 的 Huihui-Qwen3.8-27B-abliterated 底座（layers 18-51 ablated，视觉塔不动），再做 NVFP4 量化（文本塔 W4A4 + FP8 down_proj，视觉塔保留 bf16）。在 27,695 行测试集上，noul AUROC 从 0.9961 降至 0.992，choice 与 score top-1 分别下降 3.4 和 7.6 个百分点，未达原厂门槛；温度重校准后 ECE 全部达标，10 条提示词测试拒绝率为 0.0。
推荐理由：原文给出换用 abliterated 底座前后在 27,695 行测试集上的指标对照，能看清去对齐替换底座对决策能力与校准的实际代价。
arXiv · cs.AIAI 评分3838 Marvo：通过边际奖励实现视觉智能体自我进化
研究者提出 Marvo，一种无需标注数据的视觉智能体自我进化方法：由 challenger 从无标注图像生成问答对，solver 通过强化学习在解题中学习工具调用。challenger 引入边际奖励，即 solver 有无工具时的性能差，形成自适应课程，在智能体推理、视觉搜索、数学等基准上平均准确率最高提升 7.1%。
arXiv · cs.AIAI 评分4040 决策基础模型研究：面向临床智能的参数高效微调与反事实可解释性
研究者基于 Qwen3.5 骨干的 9B 参数决策模型 Clef-Flash，用 QLoRA 微调在 Symptom2Disease 基准的 24 类疾病分类上达到 95.42% 准确率、macro F1 0.9551，超过 ClinicalBERT 的 90.90%。单次前向推理每条记录耗时不足 80 毫秒，报告称较生成式 LLM 基线提速 31 倍。其提出的 Leave-One-Symptom-Out 反事实扰动框架可揭示症状级证据。
arXiv · cs.CLAI 评分3838 HiPAD：用于抑郁症检测的步态、视听与人格融合网络，含人格分层消融与领域适配 LLM 校准局限分析
研究者提出统一融合网络 HiPAD，参加 MPDD-AVG 2026 抑郁检测挑战赛全部六个子赛道，覆盖步态、视听等模态。约 150 tokens 的人格描述所含抑郁信号超过音频、视频与步态总和，步态加人格配置 TLS 达 0.647；四级消融（L0-L3）显示移除全部人格特征会使 Track-Level Score 降至 0.499-0.507 的随机水平。用 LoRA（7B）/QLoRA（72B）在 PHQ-8/9 数据上做领域适配将二分类 Cohen's κ 提升 0.13 但损害 PHQ-9 回归，系统跨赛道 G-Score 为 0.482。
Hugging Face · 趋势模型精选AI 评分5959 
Datalab 发布 Indra OCR：1M 参数 OCR 模型 CPU 上每秒读 49 页
Datalab 在 Hugging Face 开源 Indra OCR，主识别器约 1M 参数、模型仅约 18 MB，CPU 上吞吐 49 页/秒，单页延迟约 230 ms，比 Tesseract 和 PaddleOCR 快 11-17 倍。OmniParseBench headline 62.1 分，开启 --math 后升至 66.8，超过 PaddleOCR PP-StructureV3 的 58.4。支持输出 markdown、纯文本和带边界框的 JSON，代码 Apache 2.0，权重用修改版 OpenRAIL-M 许可，2000 万美元以下融资/营收的初创可免费商用；官方也列明复杂表格、手写和退化扫描等局限。
推荐理由：官方给出了与 Tesseract 和 PaddleOCR 同机同页的延迟、吞吐和 OmniParseBench 对比，还写明了复杂表格、手写等不适场景。
arXiv · cs.AIAI 评分2828 VC-OPD：面向视觉接地推理的视觉反事实在线蒸馏方法
arXiv 论文提出 VC-OPD，一种接地感知的在线蒸馏方法，通过对比原始图像与破坏实例级证据的反事实图像下教师模型的分布差异，估计 token 级视觉依赖并重加权损失，优先蒸馏依赖图像证据的推理 token，并采用保质量归一化稳定更新。在多模态推理 benchmark 上的实验显示其提升了视觉推理性能与 token 级蒸馏效果。
arXiv · cs.AIAI 评分4949 决策模型作为合成问卷受访者的心理测量学审计：可能但不有效
该研究在一份立陶宛组织心理学问卷（n=263、68 题）上测试 11 家厂商的 14 个决策模型和 47 个生成式 LLM，用心理测量相似度分数（PSS）评估其替代人类受访者的能力。最好的生成式模型 MiniMax M3 达 PSS 0.813，与仅用其他受访者拟合的 Gaussian copula（0.824）持平但低于样本内拟合（0.927）；47 个生成式模型中 33 个比任何决策模型更好地复现题目相关结构。基于人口档案的回归仅比其他受访者答案频率提升 1.0%，作者据此认为此类合成受访者应以样本级保真为目标。
arXiv · cs.CLAI 评分3232 谁获得尊重？孟加拉语敬语分配偏见的反事实基准
该基准利用孟加拉语第三人称必须选择普通或敬语语体的特点，通过英译孟翻译测试 LLM 如何分配尊敬。评测集含 2,016 个句子、覆盖 72 种职业，给出 0–100 的 Honorific Bias Score（HBS），九个模型 HBS 在 19.9 到 70.1 之间。职业解释了 3.2%–51.5% 的语体选择方差，而性别最多仅 1.2%。
Hugging Face · 趋势模型AI 评分4242 
vllm-sr/d3：Decision 3.0 的 27B 多模态决策模型发布
vLLM Semantic Router 发布 27B 多模态基础决策模型 d3（Decision 3.0），参数 26.09B（含 0.46B 视觉编码器），一次调用回答 Choice、Yes/No、Score 类问题并返回每个选项的概率，不生成文本。Jev Decision Index 0.3.2 达 66.3 居官方文本榜第一，比 Decision 2.0 的 55.9 高 10.4；文本请求中位延迟 54.4 ms，Apache-2.0 开源，可用 vLLM Semantic Router 部署。
arXiv · cs.CLAI 评分3636 CUSE：基于反事实引导与在线自蒸馏的多模态大模型细粒度遗忘框架
CUSE 是一种面向多模态大语言模型的反事实引导在线自蒸馏遗忘框架，通过移除目标相关证据构造反事实输入，利用 token 概率变化定位需更强遗忘的 token，并以冻结的原始模型副本作为教师进行 token 级蒸馏，同时确定遗忘与保留目标。在 MLLMU-Bench 上，CUSE 将遗忘集 ROUGE-L 降低 33.6%，保留集 ROUGE-L 比最强基线高 1.2%。
arXiv · cs.CLAI 评分2121 基于统计机器翻译、命名实体识别与语义索引的阿姆哈拉语-英语跨语言问答系统
一篇 arXiv 论文提出双向阿姆哈拉语-英语跨语言问答（CLQA）系统，整合统计机器翻译、最大熵命名实体识别与语义索引。阿姆哈拉语到英语检索达到 72% 精确率、79% 召回率，英语到阿姆哈拉语达到 65% 精确率、70% 召回率，表明模块化翻译-检索架构在低资源条件下也能提供有效的跨语言访问。