新闻、仓库与研究，按时间排列。
论文提出 VisionWeave，让多模态大语言模型端到端学习在何处及以何种粒度分配视觉表征。方法结合门控空间池化器与粒度路由器，通过自蒸馏在 Qwen3.5-4B 上验证并扩展到 Qwen3.8-27B，训练耗资超过 30K A100 GPU 小时。基于 Qwen3.8-27B，该方法在八个基准上平均节省 43.0% token 并保留 98.9% 原生性能，优于固定 50% 节省目标下仅保留 88% 性能的 token 剪枝基线；部署于 SGLang 时吞吐提升 2.3x，平均 TTFT 降低 54.4%，平均 TPOT 降低 60.6%。
推荐理由：论文给出了弹性视觉表征的端到端训练方案与 token 节省、性能保持和部署吞吐的实测数据，读者可对比 token 剪枝基线评估其取舍。
一项 arXiv 研究通过测试多文字语言，考察小型与大语言模型（SLM 与 LLM）是否具备文字系统知识。两项实验评估模型是否将输出文字匹配输入文字，以及是否按明确指令生成指定文字。结果显示所有模型 Latin 文字保真度超过 98%，且高频遵循文字指令，其中 LLM 表现更好，包括非标准文字组合。
DirectSpeech2LLM 是一个端到端框架，解决 Speech-LLM 仅用 ASR 指令训练后无法泛化到新指令的提示词过拟合问题。它在冻结的 LLM 嵌入矩阵上计算基于距离的 CTC loss，仅用 960 小时 LibriSpeech ASR 数据训练，即在 ASR 上超越级联系统，并对语音翻译和情感识别两个未见任务实现零样本泛化。结果在两个 LLM 家族上保持一致，并随训练数据和模型容量增长而提升。
openbmb 在 Hugging Face 发布 MiniCPM-V 4.7 35B-A3B 的 GGUF（llama.cpp）量化版，原 BF16 权重在 openbmb/MiniCPM-V-4.7-35B-A3B。该模型是 MiniCPM-V 系列首个 MoE 变体，官方称其借助 Lookahead Expert Scheduling、细粒度分层量化和 DSpark 投机采样，成为首个可无损流畅端侧运行的开源 MoE 模型，在 iPhone 17 Pro Max 上以 3GB 内存达到 13+ tokens/s；Instruct 模式下整体得分高于 Qwen3.6 35B-A3B 且推理时间更短。
推荐理由：官方说明了 LES 预取、分层量化与投机采样如何配合，让 35B-A3B MoE 在 3GB 内存手机上跑到 13+ tokens/s。
面壁的 MiniCPM-V 4.7 系列新增 1B 版本，Instruct 模式下基础能力超越 MiniCPM-V 4.6，并在综合得分与推理效率上大幅超过 Qwen3.5 0.8B。该模型采用 LLaVA-UHD v4 的 intra-ViT 早压缩技术，支持 4x/16x 视觉 token 混合压缩，可部署于 iOS、Android 和 HarmonyOS，并提供 SGLang、vLLM、llama.cpp、Ollama 推理支持及 GGUF、BNB、AWQ、GPTQ 与 FP8 量化版本。
QUBITABHAY 基于 Qwen/Qwen-Image-2.1 原始权重发布 Uncensored 版 GGUF 量化，提供 BF16、Q8_0、Q6_K、Q4_K_M 等多种格式，其中 Q4_K_M 约 4.60 GB，被推荐为体积与质量的最佳平衡。该版本无内置安全检查器，可直接生成 NSFW 等敏感图像；配套 qwen3vl_8b 文本编码器与 VAE 文件，可在 ComfyUI 中通过 ComfyUI-GGUF 加载，文本编码器卸载到内存可节省 9–17 GB 显存。
Hugging Face 用户 daddysteven 发布 Qwen/Qwen-Image-2.1 的无审查 GGUF 量化版本，提供 BF16（14.23 GB）到 Q4_0（4.15 GB）等多种量化文件，推荐 Q4_K_M 以平衡体积与质量。
VideoTapestry 是一个免训练的多智能体框架，通过粗到细的查询驱动精炼来适配预构建的三层分层视频记忆，各层由专门智能体负责检索与观察。相比直接 GPT-5.5 推理，该方法在 LVBench、LongVideoBench (Long)、Video-MME (Long) 和 EgoSchema 上分别取得 17.2%、14.9%、9.8% 和 7.0% 的绝对准确率提升，达到 SOTA。
研究提出免训练的稀疏注意力框架 MC-Sparse，通过缓存查询分组、基于精确注意力概率选取的 KV 索引及稠密-稀疏输出残差，并在后续去噪步骤中复用，解决高稀疏度下生成质量下降问题。相比稠密注意力，MC-Sparse 在 Minimax-H3-Base 上实现 1.80× 去噪加速，在 3D 资产生成上实现 2.32× 加速，且质量损失可忽略。
研究者提出 TAPDreamer，一种无需查询目标策略、仅利用公开编码器即可攻击世界动作模型的方法，通过最大化干净与加补丁编码器表示的全局 L1 距离构造可跨任务迁移的固定局部扰动。
UniSlider 是一种轻量级 LoRA 方法，将滑块与强度参数解耦，使感知距离随滑块值线性增长，并通过推理时的自适应采样重映射弥补低秩适配器无法完全均匀的不足。在包含 300 个连续编辑、评估均匀性、单调性、编辑保真度与身份保持的新基准上，UniSlider 优于所有先前方法，并在用户研究中获得偏好。
研究者提出通过自然语言询问解读 MM-DiT 上下文 token 的框架：训练轻量瓶颈网络将中间上下文 token 映射到冻结 LLM 的输入空间，使 LLM 能直接回答生成图像的相关问题。结果显示上下文 token 在去噪早期即编码生成语义，即使空提示词下也可解码，且可读性更高的生成获得更高人类偏好分数。基于此提出的 Contextual Alignment 训练技术可提升生成质量与分布覆盖。
一项 arXiv 研究提出将流程图自适应重排为独立任务：输入光栅流程图与目标宽高比，输出结构忠实、无幻觉、可编辑的布局。该方法采用 Parse、Style、Layout 三阶段智能体流水线，每个主智能体搭配结合确定性约束检查与 VLM 视觉反馈的 critic，显式校验连接性，输出可编辑的 mxGraph XML。
论文提出 MM-KG 多模态知识图谱，将 EHR 文本、影像、基因组和生物标本数据映射到 UMLS 概念，并通过显式对齐边接入生物医学知识图谱。在 MIMIC-IV 和 ADNI 上，双源结合带来 +0.194 与 +0.299 的 AUROC 交互增益，五选一排序上 Hits@1 超出 MindMap +0.131。查询条件检索以 6.8 倍更少上下文达到 0.731 AUROC。
MedPrune 是一个面向医疗多模态 VQA 的多智能体协作框架，将诊断过程建模为异构通信图，通过强化学习驱动的异构节点稀疏化剔除无关专科智能体，并经异构边稀疏化仅保留最具诊断价值的科室内外连接。在全集与少样本训练设置下的医疗 VQA 实验中，MedPrune 超越多智能体基线，提升 token 效率并具备较强对抗鲁棒性。
SAFE-MR 框架将多模态谣言检测中的声明真实性与证据充分性分离，通过构建关系感知的声明-证据图并引入充分性判断头实现选择性预测。
研究者推出 PlotGround，一条从真实科研图表及其作者发布源数据自动构建图表数字化基准的流水线，并据此构建了经人工核验的 PlotGround-1k，包含来自 1,066 篇 bioRxiv 预印本的 1,119 道问题。
论文提出 MemPilot，一个按性能、成本、延迟偏好按需编排多模态记忆整理的框架。其通过强化学习优化多步 LLM 策略，在从 query-agnostic 记忆检索与委派异构 LLM/VLM 做查询级整理之间迭代选择，并联合控制证据量、整理指令、模型选择和视觉访问；采用目标级优势解耦与前缀边际效用估计做信用分配。
推荐理由：论文用强化学习让策略按性能、成本和延迟偏好动态调度记忆整理，在五个多模态基准上给出比现有基线更宽的权衡前沿。
RV-ICL（Recursive Video In-Context Learning）是一种免训练方法，将演示视频转化为由子事件构成的层级结构，供 LLM 智能体在规划与执行间按需读取，每任务仅需一条演示。基于 RPent，该方法在 LIBERO-PRO 上将成功率从 92.6% 提升至 96.5%，在 LIBERO-Plus 上从 86.7% 提升至 95.8%。
研究者构建了一个基于 ArcPy 的 ArcGIS Pro 自动化工具，可从 Landsat 7、8 和 9 数据中提取地表温度（LST），自动完成辐射定标、基于 NDVI 的发射率校正和热转换等流程，并支持批处理与单景处理。
arXiv 论文 2610.05637 系统研究了视觉语言模型（VLM）视觉定位输出的安全性，将 VLSU、BBQ-V、Asimov-2.0 三个安全基准改造成 15,401 对仅在输出形式上不同的匹配请求。
推荐理由：论文用 15,401 对匹配请求量化了 VLM 在 grounding 输出上比 VQA 更不安全的差距，并给出可复用的微调方法与提升数据。
arXiv 论文 2610.05715 提出 OR-Bench，用 8 项任务评测 12 个 VLM 的物体旋转推理能力，发现检测任务接近 100% 准确但角度估计接近随机，91.8–100% 的预测集中在 0°、90°、180°，称为 canonical-angle collapse。
推荐理由：论文用线性探针证明 VLM 已编码旋转信息却未使用，并给出可复用的 RotationCude 解码器改进方案。
研究者提出频率感知框架 FreSia，通过 FGPrompt 将时间序列频域结构投影为适配 LLM 语义空间的提示词，并用 Global-driven Context Learning 生成全局上下文以弥合时频域差距。在八个预测基准上，FreSia 的 MSE 和 MAE 平均分别提升 13.48% 和 8.06%，论文已被 Pattern Recognition 接收。
HLA-WM 是一个免训练的混合线性注意力框架，针对 Gated DeltaNet（GDN）的长程遗忘问题，结合几何引导检索与循环线性状态计算。在 60 秒 SANA-WM-Bench 上，PSNR 提升 0.74 dB、旋转误差降低 28.5%；60 秒上下文下历史状态内存较完整 KV 缓存减少 12 倍，推理吞吐最多仅降 1.6%。
研究者提出 Level-of-Token (LoT) Diffusion，通过显式多分辨率 token 布局让扩散模型按需分配算力：细节区域用更细 token，其余用更粗 token。
论文提出 Infinite-Dreamer，一种免仿真的数据合成方法，通过像素级图像编辑世界模型将 GUI 状态转移建模为图像编辑任务，利用 VLM 将动作引起的 UI 变化描述为结构化 delta-text，再微调图像编辑骨干网络合成逼真的截图过渡，生成单帧视觉鲁棒性数据与多步想象轨迹。
推荐理由：论文用图像编辑世界模型合成 GUI 训练数据，仅凭合成数据微调 Qwen3-VL 即在 AndroidWorld 等基准上超过基线。
研究者提出 Weave Mamba Fusion（WMF），将相邻金字塔尺度逐列交错，使双向 SS2D 扫描在尺度间移动，实现高效跨尺度交互并保留特征结构。集成 WMF 的 WeaveFace 检测器在 WIDER FACE 上以 0.34M 参数和 1.16 GFLOPs 达到 91.41% 平均 AP，Hard 子集达 87.14% AP，优于 0.5M 参数以下的已有检测器，代码已公开。
研究者用强化学习训练视觉语言模型，在不看被测句的情况下从胸片填写 12 项清单，再由独立核查模型判断句子。在留出患者上，规则核查与独立医学核查的 Youden 指数分别提升 12.6% 和 11.8%，仅规则核查达到预设误报标准。
一项 arXiv 研究检验了文本是否足以决定语音的韵律风格：对 1,200 小时会话语料库中 6 名说话人的语音做声学聚类，再用 12 种文本嵌入模型预测。文本预测准确率超过多数类基线（top-3 提升 +0.111），但词袋模型即达其中四分之三，句子嵌入仅再加 +0.026，说明文本主要通过用词而非语义影响韵律风格。
DREAM 是一种改进多模态多智能体辩论（MAD）的方法，通过零样本探测轮为每个智能体动态分配最优视觉分辨率，并用基于 ANLL 的不确定性回滚聚合对抗群体思维。在六个多模态数据集上，DREAM 无需数据集特定调优即可将准确率较多智能体辩论基线提升 1.5-3.2%。
论文提出 Atomic Visual Entailment（AVE），将视觉蕴含假设分解为原子事实，用冻结的视觉语言模型生成候选预测，再由轻量分类器学习选择最终标签。该方法在 SNLI-VE 上达到 0.803 测试准确率，无需微调任何视觉语言模型，且无需区域级监督即可定位视觉证据。研究发现分解仅在保留假设上下文时有效，学习选择比多数投票更能恢复互补错误的价值。
一篇 arXiv 论文对僧伽罗语 ASR 研究进行了首次批判性综述，梳理从 HMM、深度神经网络到 wav2vec 2.0、XLS-R、Whisper 和 MMS 等自监督预训练模型的发展。论文指出各系统 WER 因语料、数据划分和评分方式不同而难以直接比较，文献中唯一受控对比显示仅语料修正就带来 18.1% 的相对 WER 下降，并总结出六大研究缺口与未来研究路线图。
研究者提出 CLARA 框架，通过认知（COG）、语言（LAN）、社会情感（SEL）三个维度的结构化标注评估儿童故事的发展适宜性，并构建含 1107 篇中英双语儿童故事的基准数据集。实验显示，结构化发展标注比可读性方法和直接提示基线更贴合人类判断，该工作已被 EMNLP 2026 Findings 接收。
Hugging Face 用户 Shihan420 发布 Qwen/Qwen-Image-2.1 的 Uncensored GGUF 量化版本，提供 BF16、Q8_0、Q6_K、Q4_K_M 等多种格式，其中 Q4_K_M（4.60 GB）被推荐为体积与质量的最佳平衡。
speridlabs 在 Hugging Face 发布 3B 参数的像素空间扩散 Transformer 模型 Iris-3B，不经过 VAE 和潜空间，直接输出每个像素，文生图默认 1024×1024，需 NVIDIA GPU，采用 Apache License 2.0，文本编码器为冻结的 Qwen3-VL-4B-Instruct。
推荐理由：原文同时给出架构细节、训练步数与 depth、修复任务的量化指标，可作为像素空间生成路线的参考样本。
autotrust 在 Hugging Face 发布 JEV-27B-VL，在 JEV-27B 基础上加入视觉能力，权重基于未修改的 Qwen3.8-27B（Apache-2.0），附 JEV System 1 适配器与决策头。
推荐理由：发布页附上了机器人臂、浏览器操作和多个评测基准的实测数据与对比表，读者可据此评估该视觉决策模型的真实水平。
Liquid AI 发布 3.1B 参数的多模态决策模型 d1-3B，基于 LFM2.5-VL-3B 后训练，对状态（文本、JSON 或图片）中的一组问题一次前向返回带置信度的类型化答案，零输出 token。Decision Index 0.2.1 得分 48.57，高于所有 4B 和 9B 模型及 Decider 35B-A3B（47.11）；RTX 4090 上单次决策 8 ms，AMD MI325X 上打包 64 个状态吞吐达 1,106/s。它不是聊天模型，适用于路由、分类、审核、reranking、LLM-as-a-judge 等场景。模型卡：https://huggingface.co/LiquidAI/d1-3B
推荐理由：官方给出了完整基准表和各硬件实测延迟，读者可以据此判断这个 3B 决策模型在自己的部署场景里是否划算。
Comfy-Org 在 Hugging Face 上发布了 Qwen-Image-2.1 的 ComfyUI 重打包模型文件，提供 bf16、int8_convrot 等量化版本。
pyannote 在 Hugging Face 发布说话人日志管线 speaker-diarization-community-1，改进说话人分配与计数，并新增独占式说话人日志输出，便于与转写时间戳对齐。
推荐理由：原文给出十多个学术基准上的说话人日志错误率对比，读者可据此量化该模型相对上一代的实际提升幅度。
MiniMax 开源了 MiniMax H3 的 H3-Base 权重，该系统可统一理解文本、图像、视频与音频，并生成最长 15 秒、带 32 kHz 立体声的视频，768p 输出经 H3-Regenerate-2K 可达 2K。
推荐理由：原文给出 H3-Base 架构细节、权重拆分和 SGLang/vLLM/diffusers 部署命令，可据此自行本地部署复现。