PVFH-Bench：评测视觉语言模型中前提诱导的视觉固着幻觉
PVFH-Bench 基准用于系统评测视觉语言模型（LVLM）的"前提诱导视觉固着幻觉"（PVFH），即模型接受错误文本前提后，对并不存在但视觉上合理的对象生成回答。该基准自动构造视觉易混淆的缺失目标并配诊断子集，对 10 个 SOTA LVLM 的实验显示所有模型均高度易感，且显式链式推理（CoT）会进一步加剧该失败模式。
#多模态
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分4242 arXiv · cs.CLAI 评分2222 FASD 方法解耦多模态大模型遗忘中的知识遗忘与拒答学习
arXiv 论文提出 Forget-Aware Self-Distillation（FASD），针对多模态大模型遗忘评估只看停止输出导致的两类问题：抑制目标知识引发幻觉、拒答训练只是改变表面行为。FASD 分为行为与知识两条通道，前者从忽略提示的模型副本蒸馏拒答行为并掩蔽 target tokens，后者直接抑制 ground-truth 答案片段，实现"诚实无知"：模型真正遗忘目标知识且能识别自身知识边界，同时保留数据性能。代码和数据将在论文发表后发布。
arXiv · cs.CLAI 评分3333 LongHisDoc：首个中文长篇历史文档理解基准发布
LongHisDoc 是首个面向长篇（整本）中文历史文档理解的基准，包含来自 101 份 PDF 的 1,012 条专家标注 QA 对，平均每份 85.1 页、42,776.4 tokens，覆盖 10 个类别和单页、跨页、多跳、不可回答四类问题。评测显示最强 LVLM 和 LLM 准确率仅 62.9% 和 69.9%，同时基准还评测了多模态检索器与端到端 RAG 性能，基准和评测代码已开源。
Hugging Face · 新模型：uncensoredAI 评分4242 Swift-1.5-Qwen3.8-27B-Uncensored-MTP 发布 VAL-APEX-I NanoPlus V3 GGUF 量化版
UkisAI 的 Swift-1.5-Qwen3.8-27B-Uncensored-MTP 推出 VAL-APEX-I NanoPlus V3 GGUF 量化版，文件仅 11.08 GB、整文件 BPW 2.85，WikiText-2 PPL 为 6.9102，比基线 GSQ-RCO IQ3_S 低 2.26%。模型基于 Qwen3.8-27B 的 27B MoE 推理微调，内置 Multi-Token Prediction 头（blk.64.*，15 个 tensors）可在 llama.cpp 中直接投机解码，并保留 mmproj-Q8_0.gguf 视觉编码器与法、西、德、中多语言语法完整性。
arXiv · cs.AIAI 评分2424 Hide and Seek：面向黑盒视觉模型的无需权重与标注的概念级归因解释方法
研究者提出 Hide and Seek（HnS），一种概念级归因方法，无需访问模型权重或概念标注数据集即可解释黑盒视觉模型。HnS 借助视觉-语言模型检索概念对齐图像、定位并遮蔽概念区域，通过对比遮蔽前后模型输出的变化来度量归因。该方法在 CelebA 和 COCO-Stuff 上验证，与真值归因的一致性优于现有方法，并可用于图像描述生成和卫星图像分割等现有方法无法处理的任务。
arXiv · cs.CLAI 评分2424 VLM 研究揭示：空间关系表示的保真度低于词汇先验
arXiv 论文提出 EICS 指标与 CASP-VL 基准（基于 Visual Genome 场景图的空间扰动），检验 VLM 内部表示对概念与空间关系的编码。结果显示多种 VLM 架构对空间关系的表示明显不如词汇信息保真，即使这些模型在组合性 benchmark 上远高于随机水平。关系信息在谓词自身 token 处可识别，但经 (EOS) 聚合或 mean pooling 形成全局表示后丢失。
arXiv · cs.AIAI 评分2727 PAGE 框架：用人工智能规模化研究美国漫画与日本漫画
研究者提出 PAGE 框架，将 AI 变为漫画研究工具：把扫描件解析为画格、文本与书目记录，用视觉语言模型按编码手册标注页面，并以人工标注校验。该框架在 3,929 本美国漫画（1938–1956）和 87 卷日本漫画上完成三项研究，分别考察政治权力描绘、视觉形式与个人画家风格、两个漫画传统中的说话者分析。
arXiv · cs.CLAI 评分1818 OpenPA：无需强制对齐的多粒度发音评估框架，通过混合转写适配统一评分
研究者提出发音评估框架 OpenPA，利用 Whisper 的 cross-attention 机制联合预测词级和语句级发音分数，无需强制对齐。通过混合转写适配和自适应替换加权，单一模型可同时覆盖封闭与开放作答场景。仅在 speechocean762 上训练的 OpenPA 在域内封闭和模拟开放作答条件下取得评估系统中最强的整体表现，并在 MultiPA 上保持零样本性能，口腔癌语音的跨任务评测显示其潜在应用前景。
arXiv · cs.CLAI 评分3737 OccludeBench：VLM 能否找出图像中缺失的东西？
研究者推出 OccludeBench，一个用于从视觉线索中恢复完全遮挡物体的手动标注 benchmark，区分直接线索与场景推断两类。五个 VLM 在直接案例上平均准确率 42.7%，低于推断案例的 62.7%，存在 20.0 个百分点差距；人类则达 63.4% 与 68.5%，无显著差距。诊断显示模型从全图投影中恢复物体是瓶颈，而“先补全再验证”的干预可将差距降至统计上不显著。
arXiv · cs.AIAI 评分2626 UkrMeme：乌克兰模因中的多模态可解释说服技术检测
研究者用视觉语言模型（VLM）检测乌克兰战时模因中的说服技术，发布了含 200 条真实乌克兰战时模因的 UkrMeme 数据集，以及将 Propaganda 950 基准子集翻译为乌克兰语的 PTM-UA。团队在零样本提示设置下以图像、文本和多模态输入评测 VLM，并采用分层 F1 指标，同时对比 Layer-wise Relevance Propagation（LRP）与模型生成的 token 归因两种解释方法。
Hugging Face · 趋势模型精选AI 评分5858 
千问发布 Qwen-Image-2.1-Turbo 8 步加速检查点
千问（Qwen）发布 Qwen-Image-2.1-Turbo，这是 Qwen-Image-2.1 的加速检查点，支持 8 去噪步的文生图与图像编辑。模型沿用 7B 视觉生成架构，可通过 Diffusers 的 QwenImage21Pipeline 直接加载，采样日程随检查点自动加载，默认 CFG=1 并用 prefix KV caching 复用文本和参考图上下文。模型采用 Qwen Research License Agreement 授权。
推荐理由：官方发布了 8 步加速版文生图与图像编辑权重，采样日程随检查点自动加载，附 Diffusers 用法，适合想在本地跑快速生成的读者。
arXiv · cs.AIAI 评分2424 面向弱标注生物影像数据的模型无关知识增强机器学习方法
研究者提出一种模型无关的知识增强方法，让 ML 模型在弱标注生物影像数据上利用自动特征提取之外的领域知识，在七种 ML 架构上均提升分类性能。与 masked autoencoder 自监督学习结合时效果最强，在三个自建显微镜数据集上精度较次优方法提升 2.9%，在三个公开细胞形态学基准上平均提升 6.8%。该方法用于 TDP-43 蛋白核质错位的细胞核级分类，揭示了 MG132 与亚砷酸钠的剂量依赖效应等 ALS 相关生物学发现。
Hugging Face · 新模型：uncensoredAI 评分1919 huynhtin2002/Noct-Q-Uncensored-Qwen-Image-2.1 模型使用指南
huynhtin2002/Noct-Q-Uncensored-Qwen-Image-2.1 是一个基于 Diffusion 的图像模型，已上架 Hugging Face。页面提供其与 Diffusion Single File、Google Colab 和 Kaggle 等工具配合使用的入门指引，目前暂无可用代码片段，欢迎通过 PR 补充。
arXiv · cs.CLAI 评分1212 BLiMPPI：面向极性项的语言学最小对评测基准
研究者推出 BLiMPPI，一个覆盖 33 种语言、包含超 12,000 个负极性项（NPI）最小对的多元评测套件，通过在 Universal Dependencies 树库中发现 NPI、标注许可环境并扰动生成最小对构建。对 12 个多语言模型、2 个单语模型及 n-gram 基线的评测显示，多语言模型在低资源语言和无法用 n-gram 解决的题对上表现最差。研究还考察了 NPI 类型学、语系、许可变异性与许可距离的影响。
arXiv · cs.AIAI 评分2929 AudioTETRIS：基于过渡重要性信号消除 token，实现高效音频 LLM
AudioTETRIS 是一个 training-free 的两阶段框架，利用音频编码器的表示几何作为声学先验，计算逐 token 融合分数并跨 decoder 层进行渐进式 top-k token 选择。在 Qwen2-Audio-7B、Phi-4-Multimodal 和 Audio Flamingo 3 上，仅用 25% 音频 token 即可在多项语音任务上保持接近未压缩的性能，并在中等压缩率下达到或超过全 token 准确率，持续优于现有 training-free 基线。
arXiv · cs.CLAI 评分3333 个性化而非性别刻板印象：语音 LLM 能否辨别何时该“充耳不闻”？
研究者推出 BASIS-Bench 基准，从人口群体稳健性、刻板印象偏见和个性化三个维度，评测八个语音 LLM 能否区分有益个性化与刻板行为。结果显示，多数模型虽能识别人口群体线索，却无法将其转化为恰当的个性化响应；显式人口标签虽提升个性化，但也放大了文本底座中已有的刻板联想。
arXiv · cs.CLAI 评分4545 S-Space：探索多模态语言模型中的空间工作空间
一项 arXiv 研究发现 S-Space——多模态语言模型（MLLM）内部一个线性表示子空间，其中 object-token 表示编码水平、垂直和距离轴上的连续坐标，充当模型的内部空间工作空间。因果干预表明感知将物体位置编码其中，内部推理在其中变换视角，语言响应选择性读取它。诊断进一步显示 MLLM 能形成有效的空间表示，但在视角变化所需的空间变换上存在关键瓶颈。
arXiv · cs.AIAI 评分2929 PRISM：融合异构证据的检索增强多模态大语言模型用于临床预后预测
研究者推出 PRISM，一种用于临床预后的检索增强多模态语言模型，结合逐特征数值 tokenization、近期加权的纵向 ECG 聚合和双模态人群记忆库，检索在表示空间进行，提示词不含个体记录。在 1,443 任务的 MDS-ED 基准上，PRISM 对恶化预测 AUROC 达 93.1%，ICU 入住 91.8%，死亡 92.8%，诊断 86.2%；消融显示用文本序列化替代数值 EHR 编码使 AUROC 下降 3.66 点。在外部 MC-MED 队列上，监督微调达到 0.8611 AUROC，高于本地训练的 gradient boosting 的 0.8227 和源模型 PRISM 的 0.7841。
arXiv · cs.AIAI 评分4848 多模态大模型为何读不出「眯眼可见文字」：SquintBench 诊断与 Squint OPSD 训练方法
arXiv 论文提出 Squint Text 概念，指多模态大模型无法读取人类眯眼可辨认的、嵌入图像粗结构的文字，并发布包含 1076 张生产环境审核图片的 SquintBench。诊断显示空间选择是主要瓶颈。提出的 Squint OPSD 训练方法让冻结教师以缩放视图和真实转写为特权上下文监督学生模型，推理时学生仅凭原图即达 88.61 ANLS，而未适配骨干仅 26.50。
arXiv · cs.CLAI 评分3737 MoE 模型如何用专家选择偏置克服数据不平衡
一项研究提出基于输入类别的专家选择偏置方法，引导 MoE 大语言模型中的 token 路由到专门的专家子集，从而缓解预训练数据不平衡对少数类别的容量限制。在最大 10.6B 参数的模型上，该方法在多模态、低资源语言和代码任务上带来提升，在最小与最大模型规模下分别相当于多训练 18.5% 和 2.7% 的 baseline tokens，且保留标准 MoE 推理。
arXiv · cs.CLAI 评分4545 Vision Transformer 仅凭图像就能学会词义
研究发现 DINOv3-H 和 DINOv3-7B 这两个视觉 Transformer 仅靠图像自监督预训练、无任何文本配对或标签监督，就能组织出词义结构。研究者通过词图像与匹配对照的嵌入差分分析发现，同行业品牌名、同语义域名词各自聚集，国家-首都词对呈现一致向量偏移，且与文本、语音编码器的表示结构相互对齐。这是已知首批展现出渲染文字语义结构的自监督视觉模型。
arXiv · cs.CLAI 评分3636 音频语言模型评审生成音乐时究竟在听什么？基于专家评分的四项对照探针分析
一项 arXiv 研究提出四项探针方法，检验开源音频语言模型作为生成音乐评委时评分究竟取决于音乐、文本提示词还是提问方式。在 MusicEval 全部 2,748 个片段及 SongEval 上的实验显示：无音频时没有任何评委超过仅凭提示词的预测，四个较小评委的成对评审跟随片段位置而非质量，改写指令对多数评委相关性的影响堪比更换评委。作者建议音乐评委报告全部四项探针结果。
arXiv · cs.AIAI 评分3232 AdaC-GRPO：用自适应课程学习攻克长程视觉数独推理
研究者提出自适应课程学习方法 AdaC-GRPO，并发布细粒度基准 FG-Sudoku，用于训练模型完成需要多步演绎推理的视觉数独任务。前沿 MLLM 在 9*9 这类长程依赖谜题上几乎全部失败，导致标准 RLVR 因奖励稀疏而停滞。AdaC-GRPO 通过在线 rollout 准确率追踪模型"最近发展区"动态构建训练批次，使 Qwen2.5-VL-7B 接近 Gemini-2.5-Flash 的表现，并弥补与 Gemini-2.5-Pro 62.2% 的准确率差距，方法在 InternVL-3.5 和 Qwen3-VL 上也得到验证。
arXiv · cs.AI精选AI 评分5353 KnowForge 提出角色分工的多模态文档问答智能体流水线
KnowForge 论文提出按职能分工的文档问答流水线，包含知识点索引、只能检索的 Locator、桥接判断器、只能读文本图像表格的 Deep Reader 和格式检查合成器。自托管 Qwen3.6-35B-A3B 在 M3DocVQA 上达 F1 47.5，比 M3DocRAG 高 11.0，DeepSeek-V4-Flash 达 53.5；MultiHop-RAG 准确率 73.5，超过已发表最强 RAG 与 GraphRAG 的 71.2。消融显示把两个智能体合并反而损失 1.9 F1，论文开源了提示词、代码和三个基准的只读知识库。
推荐理由：论文用消融实验拆解各智能体角色的贡献，还验证了合并多角色反而掉分，方法可迁移到其他 RAG 流水线设计。
Hugging Face · 趋势模型精选AI 评分6060 Cloudflare 开源 30B-A3B 多模态 MoE 模型 Clef-Omni
Cloudflare 在 Hugging Face 发布 Clef-Omni，一个 30B-A3B 的 MoE 多模态模型，从 Qwen/Qwen3-Omni-30B-A3B-Instruct 后训练而来，把状态与类型化问题 schema 在单次前向中转为每个选项的概率，不做自由文本生成和输出解析。模型支持文本、JSON、图像、音频、视频输入，附联合 schema head 与 Jev/SystemOne 兼容 API，Apache-2.0 协议，bfloat16 下骨干约需 64 GB 显存。官方给出 Decision Index 0.2.1 内部跑分，如 BFCL 98.2、MMLU 92.7、GPQA Diamond 47.4，以及四条业务工作流的决策准确率。
推荐理由：官方同时放出权重、加载代码和 Decision Index 0.2.1 逐项跑分，可对照 Clef 系列与 Jev 评估其决策型输出路线。
arXiv · cs.AIAI 评分2121 音频嵌入里还剩多少音频信息？对音频编码器的反演审计
一项 arXiv 研究通过配对源重建评估音频编码器中保留的信息：用共享的 Stable Audio Open 潜在扩散解码器，从 VGGish、ConvNeXt、CLAP、EnCodec 的冻结表示中重建 5 秒 44.1kHz 立体声音乐。在 Million Song Dataset 上的评测显示不同编码器族可重建性差异明显，接口暴露的时间与频谱结构越细，恢复效果越好；即使是压缩的任务导向嵌入，重建结果仍保留可测的源特异性和高层音乐内容。
arXiv · cs.AIAI 评分3737 Syn-Omni：结构化特化与渐进协同的全模态嵌入框架
研究者提出 Syn-Omni 全模态嵌入框架，包含 OME-LoRA（共享 LoRA 通路加各模态专家 LoRA 通路）与渐进协同路由（PSR），让模态专家先建立模态专属先验再逐步跨模态交互。在覆盖图像、视频、音频和视听任务的 81 个基准任务上，Syn-Omni 持续超越全模态基线，论文已被 EMNLP 2026 Findings 接收。
arXiv · cs.AIAI 评分3434 DVD：面向高效 MLLM 感知的动态向量解码方法
研究者提出动态向量解码方法 DVD，统一 2D 与 3D 感知任务的表示，将边界框、掩码等感知表示转为 1D 向量序列并映射为紧凑离散 token，再由轻量 de-tokenizer 解码回原始表示，可无缝接入 MLLM。在 RefCOCO 系列、SUN-RGBD、KITTI、Hypersim、nuScenes 等 2D/3D 基准上，DVD 取得更优性能，并显著降低 token 开销与推理延迟。
arXiv · cs.AIAI 评分2222 ME-World：多智能体第一人称世界模型实现细粒度具身交互
研究者提出多智能体第一人称世界模型 ME-World，将多智能体世界建模表述为多个智能体在共享世界中通过细粒度动作交互的同步 ego-stream 生成。该模型在共享 token 序列中联合去噪多路 ego 流，以各智能体目标视角位姿为条件，并用共享环境记忆锚定生成，同时引入环境、更新与身份一致性的 shared-world 一致性指标。在真实与合成多智能体数据上的实验显示，ME-World 在共享世界一致性、动作控制、身份保持和视频质量上均优于现有方法。
arXiv · cs.AIAI 评分3636 RiCo：基于局部接触推理的刚体交互神经模拟
RiCo 通过对接触表面点的稀疏邻域建模，将物体间推理限制在邻近表面，从而提升刚体交互模拟的精度与接触保真度。在 MOVi-benchmark 上，RiCo 将 100 帧位置误差降低 31-35%、方向误差降低约 38%，相对真值的穿透时间和平均深度差异分别为 11.0% 和 2.22 mm。该模型可零样本泛化至含 270 个物体的场景，真实世界多球碰撞实验初步验证了 sim-to-real 迁移能力。
arXiv · cs.AIAI 评分1111 ContiLNN：用液态神经网络缓解切片采样不连续性，助力医学图像修复
研究者提出 ContiLNN，通过双向闭式连续时间（Bi-CfC）模块为二维修复骨干网络增加跨切片建模能力，用于医学图像修复。在五个训练种子下，CT 去噪、MRI 超分辨率和减计数 PET 修复的 PSNR 较 Restore-RWKV 分别提升 0.1907、1.0176 和 1.2482 dB，三任务 RMSE 均更低。同等参数量下，Bi-CfC 比 Bi-GRU 延迟低 52.8%、峰值 GPU 显存占用低 57.0%。
arXiv · cs.AIAI 评分4141 GPD：用几何特权蒸馏提升视觉语言模型的空间推理能力
论文提出 GPD（Geometry-Privileged Distillation），将深度、语义和鸟瞰图线索以紧凑文本形式路由给教师模型，通过特权 KL 仅对错误轨迹增强 GRPO，进行在线自蒸馏。在 4B 骨干模型上，GPD 在 VSI-Bench 达到 57.1，在 MindCube、SPARBench、MMSI-Bench 和 ViewSpatial 平均 37.6，超过 GRPO 和答案特权 OPSD，且部署模型保持仅 RGB 输入。
arXiv · cs.AIAI 评分1818 HANS：面向含噪混合文档解析的手写答题卡数据集
研究者推出 HANS，首个面向真实教育场景的手写答题卡数据集，涵盖数学表达式、自然语言文本、手绘表格及涂改、划除等噪声模式，并附细粒度标注。基于 HANS 提出 NA-GOT 端到端框架，通过特征级噪声抑制模块与解码阶段噪声感知注意力实现两段式噪声抑制。实验显示 NA-GOT 在解题过程识别的准确率和稳定性上均显著提升，数据集将在论文发表后公开。
arXiv · cs.AIAI 评分3838 GeoReform：面向多模态几何解题的反思式形式化演化框架
GeoReform 是一个反思式形式化演化框架，将几何形式化视为可优化的策略，通过收集失败推理样本、诊断表示缺陷并迭代改进几何实体、关系与约束的组织方式。在 Geometry3K 上，GeoReform 将 Qwen3VL-2B 的准确率从 42.0% 提升至 56.0%，表明有效的形式化是多模态几何推理提升的关键。
arXiv · cs.AIAI 评分3434 HRIL：通过高阶张量建模学习多模态协同信息
HRIL（Higher-order Representation and Information Learning）提出用模态嵌入构建经验交叉矩张量，并经 Tucker 分解得到核心张量，配合协同感知正则项防止能量集中，以保留多模态表示中的高阶耦合信息。在受控协同任务和真实基准上，该方法持续优于现有多模态对比方法，在协同交互主导的任务上提升显著。论文已被 NeurIPS 2026 接收，代码已开源。
arXiv · cs.AIAI 评分2626 SpaceFlow：可局部控制的 3D 生成
SpaceFlow 是一个无需训练的 3D 生成管线，可从文本描述加一组几何基元实现局部可控生成，用户能为每个区域指定严格遵循输入形状或允许生成式补全。生成结构会分割并与基元匹配，各部位仅以其分配的文本或图像线索为条件，限制跨部位泄漏。在固定几何的外观评测中，其 text-conditioned routing 达到 SOTA 的提示词忠实度与颜色/材质准确性。
arXiv · cs.AIAI 评分2525 Bi-FORK：面向高维分叉系统的生成式建模框架
Bi-FORK 是一个生成式建模框架，用于学习高维分叉系统中一对多的解映射。它通过 latent flow matching 生成完整轨迹，并用 repulsion-guided sampling 在单次摊销推理中恢复不同解分支。在屈曲梁、机械超材料和 Allen-Cahn 相分离上的评测覆盖连续、离散和场值分叉，离散化最高达 260,000 个点，规模比已有方法扩展数个数量级。
arXiv · cs.CLAI 评分4545 ReTurn 基准：多模态多轮对话中历史信息的选择性使用何时有益、何时有害
研究者推出 ReTurn 基准，包含 7,000 个跨视觉与音频证据的基础任务，用于评估多模态模型对对话历史的选择性使用。在 13 个全模态、视觉语言和音频语言模型上，开放式准确率从直接输入的 93.7% 降至对话中的 72.3%；有监督适配仅带来部分提升。
arXiv · cs.CL精选AI 评分6262 小米 LLM-Core 团队发布 MiMo-V2.6 技术报告，通过扩展强化学习迈向自我改进
小米 LLM-Core 团队在 arXiv 发布 MiMo-V2.6 系列全模态模型技术报告（arXiv:2610.11959），核心是通过扩展 RL 计算推动模型自我改进。RL 前先在多模态语料上做 mid-training，RL 计算沿三轴扩展：异步训练每步消耗 1,568 个样本、2.7-3.7B tokens，上下文最长 1M；环境覆盖代码、通用、视觉与 cyber 域；采用 groupwise agentic grading 提升长程任务奖励信号精度并引导更短的 token 高效解法。为稳定训练冻结了 MoE router 并建立多层防 reward hacking 机制，同时开源训练动态、RL 环境与 RL 框架。
推荐理由：报告系统拆解了沿数据、环境、评分三轴扩展 RL 计算的工程细节，并开源训练动态与环境框架，可作复现参考。
arXiv · cs.CLAI 评分4141 DataVista：首个数据视频理解基准，诊断多模态 LLM
DataVista 是首个数据视频理解基准，包含 961 条真实数据视频和 6,775 道评测题，按数据感知、时间推理、叙事理解三级能力框架组织。对 19 个主流 MLLM 的评测显示，表现最好的 Gemini-3.1-Pro 总准确率为 70.0%，仍远低于人类专家，模型在 Causal Reasoning 和 Narrative Structure 上最弱。增加帧数和字幕主要改善数据感知与时间推理，对叙事理解提升有限。