multimodality

TypeSafe 发布 Jev 1.14.0 模型更新，并通过“危险区域”实验性功能引入图像支持、新的 box 边界框类型以及更长的上下文长度，面向开发者与创意用户开放预览。

Randal Balestrero 宣布他将在 MICCAI-FOMO26 上做主旨演讲，分享联合嵌入预测架构（Joint-Embedding Predictive Architectures, JEPA）的最新进展，以及对数据不平衡、噪声、多模态和推理等问题采取更有原则的解决方案的必要性。

本文对生成式行为克隆中的多模态性进行了形式化定义，并通过理论分析以及在 LIBERO、Meta-World 和合成基准上的大量实验发现：常见的仿真基准在很大程度上是单模态的，而简单的确定性动作变换器与扩散、流匹配和 CVAE 等表达能力更强的生成式策略相比仍然具有竞争力。

论文提出了一种通用的异步 LLM 框架，允许用户定义具有重叠记忆状态的推理协程，并展示 Qwen3.x 模型无需针对特定任务进行训练，即可异步处理流式视频、电子游戏和监控任务。

本文探讨了视觉-语言模型如何处理上下文知识与参数知识之间的冲突，揭示了不对称偏差：对于文本实体，模型倾向于偏好上下文信息；而对于图像实体，则偏好参数信息，原因是视觉处理较慢。

本文研究了对话时间动态（话轮对时序）作为一种轻量级模态，用于从双人临床访谈中自动检测抑郁。结果表明，一个紧凑的24维时序模块表现出色，并且在融合时能够补充标准的声学和语义特征。