标签
论文将柏拉图表征假说转化为定理，证明在多种模态上分别训练的 JEPA 会收敛到共享表征（至多相差一次旋转），并指出下一个词预测本质上是使用"劣质视图"的 JEPA——这使其在跨模态对齐上效率远低得多（优质视图所需样本少 42 倍）。
该论文提出了 PRISM，这是一种自适应框架，通过调整稀疏混合专家（MoE）路由来实现区域特定的多视图融合，并采用受 PID 启发的调节机制来缓解城市区域表征学习中的梯度冲突，在三个大规模城市数据集上的表现优于强基线方法。
该论文介绍了 MOSAIC，这是一个全模态基准，包含 923 个问题，基于以人物设定为基础、涵盖文本、图像、视频和音频的多会话历史记录，旨在诊断对话智能体在写入、检索、交付和读取各阶段中何处丢失了证据，而非仅仅给出一个排行榜分数。
论文提出 Design Anything，一个基于图的 harness，通过 intent-execution graph 在长程任务中保持设计意图，并发布涵盖19个设计领域、228项任务的 DesignAnything-Bench，显著提升了约束满足率。
IBM 推出 Granite Switch 4.1（8B 与 30B），通过 aLoRA 适配器在同一端点上组合聊天、决策与语音转写能力，几乎不额外占用 VRAM。新增 Decision 与 Guardian aLoRA，并嵌入 OpenASR 榜单最快的 Granite-Speech-5.0-Turbo-CTC 模型。
MEA 是一个奖励驱动的多智能体框架：其中 Proposer 智能体负责选择解释工具，Actor 智能体则端到端地针对基于扰动的忠实性奖励进行训练，能够在表格、文本和视觉等多种模态上生成忠实的自然语言解释，并将性能提升至比现有解释方法高出最多 34% 的水平。
新款模型 Wity-1 是一个推理决策模型，定位介于 Jev 这类非推理决策模型与完全推理的 LLM 之间。据称它在全部 4 项基准测试中击败了 Jev，并在 Image Jev Bench 上排名第一，同时支持多模态。它只进行"刚刚好"的推理——直到内部 LLM 概率表明答案已经得出。
一位商业顾问微调了一个名为ImaJev-4b的4B参数AI模型，用于从文本和图像中做出决策，在JevBench和DecisionBench基准测试中取得了顶尖表现。
论文提出了 Future-Aware Recall（FAR）框架，通过未来感知的预测性监督和自适应多线索打分，使世界模型学会情景记忆的召回机制，并自动决定哪些检索线索（时间、姿态、视觉、音频）值得信赖。
Intern-Decision 多模态模型家族（0.8B、2B、4B）已发布，其中4B模型在决策任务中超越Jev 1.13.0，支持快速本地部署，并在概率问题上改进了校准。
PhysioBench引入了一个统一的生理信号问答基准，整合22个数据集成6140万道问题，涵盖30项任务，以评估各种AI模型的性能。
本文介绍了Ovis-Embedding，一种最先进的全模态嵌入模型，它使用共享骨干网络将文本、图像、视频和音频编码到公共表示空间中，在MMEB-v3和MVEB等基准测试上取得了顶级性能。
onPanda是一个交互式工具，专注于LLM与智能体的令牌级可视化与控制，提供数据标注、模型检查，并支持多模态操作，包括在浏览器中执行。
UFO 是一个统一框架，用于多模态图像生成中全条件对齐的同时评估。它引入了原子化链式评估范式和 UFO-Bench 基准测试。
openjev 是一个基于 Qwen3.5 的模型，为蕴含任务而训练，使其能够在重排序、评分和实时游戏等应用中使用，v2 版本增加了多模态能力和改进的零样本性能。
本文通过引入一个综合框架来评估 MiniMax-H3——一种全模态生成模型——在通过多模态输入推理物理世界方面的能力。评估显示，基于视频的决策推理表现最佳，而基于音频的歧义推理则最弱。
ElevenLabs 已在其 MCP 平台上添加了图像和视频生成功能，超越音频，支持多模态内容创作。
本文提出了 Convergent Emergence Hypothesis，指出少样本上下文学习在跨模态难度剖面上具有共同性，并通过六种模态的实验提供实证支持，显示其中五种模态存在相关性效应。
本文提出Gander，一个用于全交互和智能体任务的端到端框架，通过Cerebellum-Brain架构实现跨多种模态的实时全双工交互。
SimpleDesign 引入了一种用于蛋白质序列与结构协同设计的联合模型，该模型在数据空间中使用单阶段目标进行端到端训练，在协同设计和生成基准测试中取得了具有竞争力的性能。