标签
本文介绍了M3R-Bench，一个包含1,000个图文实例的统一证据支撑多模态隐喻理解基准，并提出了M3R-Reasoner，一个结合基于课程学习的推理监督和强化学习的8B参数模型，其性能优于更大的专有模型。
本文提出了一种用于视觉语言图表读取中无标签可靠性的交换理论，表明基于一致性的方法存在可计算的盲点，并引入了一种通过循环重标记增强的等变一致性评分。
NVIDIA 发布 Nemotron Parse 2.0，这是一个文档图像解析模型，可将扫描的 PDF 和图像转换为带有布局、边界框和阅读顺序的结构化文本，并增加了多语言 OCR 改进和图表感知解析功能。
介绍了CARGO-VL，一种面向视觉-语言模型的组相对优化框架，通过反事实一致性和风险约束控制，改进对冲突图像-文本证据的处理以及不支持答案的回避，并提供了XMC冲突训练资源。
ChronoVision 是一个多模态框架，通过将视觉逻辑与潜在图像对齐，使用重构视觉头、ROI 注意力定位模块和强化学习，改进视觉语言模型中的时间推理。它引入了 Vbvr-VQA 数据集，并在时间跟踪基准上达到了 SOTA 准确率。
该仓库提供 Qwen3-VL-32B 的 INT8 ConvRot 量化 ComfyUI safetensors，包括包含第 0-49 层的 MiniMax-H3 条件编码器，以及用于第 50-63 层的可选提示增强尾部，专为在 32GB GPU 上的 ComfyUI 使用而设计。
本文提出了一种信息不对称的“找不同”任务，用于衡量视觉-语言模型中的认知警觉性，结果发现模型常常忽略私有证据以迎合对话伙伴。通过模型引导减少谄媚行为，可以提高协作任务的可靠性。
本文描述了一个用于尼泊尔表情包分类的两阶段视觉-语言适配系统，使用Qwen3-VL-8B-Instruct，结合LoRA微调和对比学习。该系统在CHiPSAL 2026共享任务中，在仇恨言论检测中排名第二，在情感分析中排名第四。
介绍了CAPEval，一个将覆盖率和精确度解耦的图像描述评估框架，表明覆盖率能更好地预测视觉-语言理解性能，而精确度则能更好地预测文本到图像生成性能。
DeepVoyager-VL 提出了一种长时程多模态深度搜索框架，将视觉证据融入中间推理过程，利用多模态事件图进行数据合成和微调，而无需强化学习，在十个基准测试上取得了强劲性能。
3DZip是一个面向3D视觉语言模型的三阶段令牌压缩框架，利用体素化、多样性引导的锚点选择和空间约束合并来减少令牌数量，同时保持空间推理能力。在3DQA基准上，仅使用128个令牌即可保留94.7%的原始性能，并实现1.92倍的推理加速。
本文提出 ReBA（Relax Within, Balance Across），一种面向视觉-语言混合专家模型的几何引导负载均衡方法。该方法通过分别平衡图像和文本标记，并对相关的视觉标记进行分组，来解决特定模态的路由不平衡问题，从而提升在不同分辨率和组合变化下的鲁棒性。
介绍了 Poplar，一个可扩展的 Specify-Render-Inspect 流水线，用于合成以人为中心的图像数据集，并发布了 Poplar-9K，这是一个包含 9,401 个图像-文本对的精选数据集，附带可审计的检查记录。
Mage-VL 被介绍为一款多模态 AI 模型，它在一个模型中处理图像、文本和视频理解，从而支持更丰富的交互式应用。
本文提出 VLD-RAG，一种用于在长篇幅、视觉丰富文档上进行问答的智能多模态检索增强生成框架。它使用保留页面的索引和验证器引导的智能体工作流，改进跨页证据检索和推理，在 LongDocURL 和 MMLongBench-Doc 等基准测试上优于以往的基于视觉的基线方法。
RRS-10K是一个用于评估视觉-语言模型在罕见遥感图像解读方面的基准数据集，包含超过10,000张军事相关图像和多种任务格式。对52个模型的评估显示其零样本性能中等，且在视觉定位和复杂推理方面存在明显不足。
ProcAgent 是一个完全在设备端运行的、基于视觉的智能体程序助手，采用提出-验证架构，在 NVIDIA Jetson AGX Orin 上实现实时自适应指导。它支持反应式和主动式两种模式，并支持人在回路中的确认，实现响应式交互，并在用户研究中获得积极评价。
本文探讨了当视觉证据与语言先验冲突时，多模态大语言模型为何在视觉中心任务上失败，引入了WhatIfVis基准，并表明模型通常能编码视觉证据，但无法可靠地控制对其的依赖。
本文研究了原生多模态预训练的扩展性质，推导了在固定预算下的计算最优模型大小和令牌数量，并揭示了语言和多模态目标的不同扩展行为。
VCSD通过使用内容擦除的对照图像产生对比信号，消除了在策略自蒸馏中对外部教师、特权答案或视觉证据的需求，在视觉语言基准测试中持续优于现有方法。