标签
本文介绍了Multi3IR，一个多视角、多领域、多模态信息检索基准，并提出了SPIN，一种改进检索系统视角覆盖的方法。
DICS引入了一种自评分指标用于视觉指令数据选择，通过确保样本内一致性，以显著更少的数据提升视觉语言模型性能，优于最先进方法。
Poly-InstructTTS是一个文本转语音系统，它使用大规模多模态数据集从开放式自然语言指令中学习富有表现力的语音，从而提高TTS模型中的指令遵循度和表现力。
该推文宣布 Ox Alpha（等同于 Gemini 4.0）在 OpenCode 上免费提供一周，具备 1M 上下文、多模态能力和零数据保留功能。
一款名为 Ox-Alpha 的隐秘AI模型据报告已经发布，在 SWE 基准测试中优于 Fable，并且可以免费使用，具备多模态支持和零数据保留等功能。
OpenRouter 发布了一款名为 Ox Alpha 的新型隐身 AI 模型，该模型针对高效编码和代理任务进行了优化，具备 1M 令牌上下文窗口，并支持文本、图像和视频输入。
本文诊断了全模态LLM中的感知-决策失调问题，并提出了一种名为模态子空间激活的无训练推理时框架，通过动态平衡模态强度来缓解这一问题。
本文提出多模态生成模糊系统（MMGFS），通过模糊推理和多跳推理解决模态偏差和不确定性，以提升多模态问答性能，并在多个基准测试中展示改进。
本文介绍了MAG，一种流形引导的半监督多模态上下文示例选择框架，利用未标记数据改进多模态大语言模型的少样本上下文学习。在八个基准上的实验表明，在标签稀缺场景下取得了一致的性能提升。
RedNote 已发布 dots3-note preview，这是 dots3 家族中首个开放权重模型，具备 280B 参数和 16B 活跃参数，支持多模态理解（文本、图像、视频、音频），上下文长度为 512K，采用 Apache 2.0 许可证，并具有强大的智能体能力。
一篇综述论文，系统分析了多模态大语言模型不断演变的安全格局，涵盖了对抗性攻击、数据投毒、越狱和幻觉等新兴威胁，并回顾了更新后的安全策略。
介绍了GEOID-Flood，这是一个用于洪水分割的大规模多模态基准数据集，包含来自65个国家219个事件的超过14,000个瓦片，在单图像、多时相和多模态协议下，将基础模型与传统编码器进行了评估。
VideoAgent 是一个一体化的开源框架，用于全面视频智能，通过统一的智能体工作流结合理解、编辑和创意生成。
mere.run 是一个面向Apple Silicon和无头Linux的本地优先推理运行时，提供单一CLI用于文本、图像、视频、音乐、3D等，无需Python。
本文提出专家引导的互蒸馏（EGMD）方法，以解决多模态假新闻检测中的领域偏差和语义错配问题，在四个数据集上实现了最先进的准确率，并将领域偏差降低高达57.3%。
本文介绍了探索式建模（Explorative Modeling），这是一种新的生成建模范式，通过探索模型生成与数据之间的候选匹配来分解训练循环。它确立了除参数和数据之外的第三个预训练轴，提高了图像、视频和语言领域的扩展效率，并以更少的推理步骤实现端到端生成建模。
StatePlay 提出了一种状态感知游戏世界模型，该模型联合预测视觉内容和游戏状态，以生成机制一致的游戏推演，在机制保真度上提升了18.6%。
介绍了VlogReward，一个用于评估Vlog编辑计划在六个维度上的奖励模型，同时附带大规模数据集和基准测试，在与GPT-5和Gemini-3-Pro的对比中取得了最先进的结果。
GLI-AL是一种新的胶质瘤MRI标签资源，统一了解剖和病灶标签，将监督范围扩展至健康组织和先前未标记的异常区域。该资源提供了与BraTS-GLI病例对齐的1,251组标签集。
该论文提出了一种基于状态感知的多模态学习（RAML）方法，用于比特币价格方向预测，该方法根据市场波动性自适应融合社会情绪与技术特征。在2024年7月至2025年9月的小时数据上进行评估，RAML相较于静态融合基线取得了适度的改进。