标签
本文通过将事后稀疏自编码器拟合到冻结的Vision Wormhole激活上，研究了视觉-语言模型智能体之间潜空间通信的可压缩性。结果表明，传输字节数减少了128倍，同时准确率损失极小，揭示了密集通信信道具有高度冗余性。
微软研究院推出了CARE-X，一个统一的胸部X射线视觉-语言模型，它结合了灵活推理、校准预测和工具增强测量，用于临床有用的放射学解读。
本文介绍了VectraYX-Vision-1B，一个面向西班牙语/拉美网络安全影像的亚20亿参数视觉语言模型，但报告了一项负面的视觉定位结果，引发了关于NoPE层的架构问题，并发布了代码、基准测试和检查点。
DocAtlas 是一个研究系统，将长文档理解构建为可变状态交互过程，利用带有搜索、阅读、笔记和审查工具的外部文档框架。它在 MMLongBench-Doc 上使用 GPT-5.4 取得了最先进的结果，并通过端到端强化学习大幅改进了紧凑型 VLM 代理。
作者在10万个样本上训练了一个40M参数的连接器，使DeepSeek V4 Flash获得基础的视觉能力，同时冻结语言模型和MoonViT图像编码器，展示了将纯文本MoE转变为基础VLM的低成本方法。
VLX-Seek-1.5-10B 是 omlab 推出的开源 10B 视觉语言模型，专为无人机、机器人和监控等具身场景中的细粒度视觉定位而设计，采用区域引用定位而非坐标生成。
This paper introduces Stockmark-Nemotron-3-Nano-Omni-JapanDocReader, a Japanese document understanding model built by injecting structured document parsing capability into a reasoning-oriented multimodal model while preserving VQA ability. It studies parsing-centric SFT, mixed SFT, and DAPO-based parsing-centric RL to improve structured parsing performance.
本文介绍了 Capek 0.5，一个以执行能力分类法为核心的具身视觉-语言模型，通过强化学习进行专家训练，随后采用权重空间融合和路由策略空间蒸馏。它提出了一个新的状态验证基准，并在2B和35B-A3B规模上展示了在具身和通用能力上的强劲性能。
介绍了VectraYX-Vision-1B，这是一个面向西班牙语/拉丁美洲网络安全的亚20亿参数视觉语言模型，通过MLP将冻结的SigLIP编码器与西班牙语解码器耦合；然而，尽管流水线功能完全正常，它却报告了近乎为零的视觉基础能力，并提供了开源权重和修复计划。
EffectLearner 是一个面向真实世界视频物体移除的语义推理增强框架，它将基于 VLM 的物体-效果推理器与基于 DiT 的视频擦除器相结合，并引入了 EffectWorld 数据集以处理复杂的物体引发效果。
介绍了OncoTriad-QA，一个整合放射学、病理学、基因组学和临床数据的患者级基准，用于泛癌推理；同时介绍了OncoVLM，一个参考多模态模型，在微调后性能优于现有的医学大语言模型。
SkalskiP 重点介绍了 Qwen3.8-Max，这是一个用于目标检测的视觉语言模型，可以通过正负框提示生成检测结果，在单个或多个提示下实现 60-80% 的 mAP，并且在不同类型的图像上表现良好。
研究人员评估了九个前沿视觉-语言模型在两个心理理论任务（Keysar指导者任务和Frith-Happé动画三角形）中的表现，发现模型在不同任务间呈现碎片化、不一致的ToM特征，而非匹配单一的成人参照组。模型在指导者任务上倾向于像儿童一样犯以自我为中心的错误，并在三角形任务上像高功能自闭症成人一样低估意图归因。
PosterMELD 是一个基于模板条件的多智能体流水线，可将学术论文转换为可编辑、可打印就绪的海报，实现了 81.3% 的打印就绪率，且成本低廉，并已发布代码和资源。
介绍了 AD-MCQ 和 DEFT-RLVR，一种用于自动驾驶 VLM 可验证推理的方法，将未来轨迹暴露延迟到决策后验证，从而提高推理忠实度并减少幻觉。
Roomer是一个反思式修复框架，用于识别和修复3D室内布局中的局部违规，它使用视觉语言模型规划器和确定性求解器，并引入了新的基准Roomer-CC和Roomer-Eval。
本文对放射学视觉语言模型基准进行了取证式可重复性审计，发现预期协议与发布产物之间存在差异，这些差异使原始声明失效。作者提出了一种基准合约，以暴露此类失败类别。
Google 发布了 Gemini Robotics 2.0，这是一组用于机器人的 AI 子模型，可提升灵巧性、实时视频理解和机器人协作能力，其中具身推理模型已向开发者公开。
NVIDIA 发布了 Ising Calibration 1.5，这是一个开源视觉语言模型，通过增强的上下文学习和改进的性能实现量子计算机的完全自动化校准，现在可以部署在单个 GPU 上。
一位智能手机电池评测员使用两个本地 LLM（Qwen3.6 模型），运行在高端 NVIDIA GPU 上，驱动一个视觉语言智能体，自主控制机械臂进行逼真的电池耗电测试，实现了低于两秒的延迟。