标签
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。
提出了ProVisE，一个与基准无关的框架，用于利用像素空间输出评估图像生成模型的空间认知，并引入了SpatialGen-Bench，用于跨14个空间子任务的统一评估。
Fusion Embedding 引入了一个模型系列，将音频添加至冻结的视觉-语言嵌入主干网络，从而实现文本、图像、视频和音频检索的统一嵌入空间。该系列模型仅训练轻量级适配器，无需配对音视频数据即可实现音频-图像检索。
微软发布了Mage，这是一系列轻量级拥有40亿参数的多模态模型，用于视觉理解和生成。包括用于图像/视频理解的Mage-VL和用于文生图及图像编辑的Mage-Flow，专为在常规硬件上进行研究和部署而设计。
Baseten 发布了 GLM-5.2-Vision，这是一个视觉语言模型，通过训练好的 PatchMerger 投影器将 MoonViT 视觉编码器添加到 GLM-5.2，同时保持文本主干和视觉塔冻结。该模型被量化到 NVFP4，以在 Blackwell 硬件上进行高效推理。
本文提出了影响力匹配（Inf-Match）方法，这是一种数据集浓缩技术，通过学习一个紧凑的合成集，使其对收敛参数的影响与完整数据集相匹配，从而对齐最终训练结果。该方法在分类基准测试上达到了最先进的准确率，并在视觉-语言浓缩任务中优于强基线方法。
MOSS-VL-Realtime 是一个实时流式视觉语言模型，能够处理连续视频帧，支持可中断交互、主动静默和动态修正，具备时间戳感知编码和256K上下文窗口。
提出SVR-R1，一种多轮强化学习框架，该框架利用模型自身的验证作为多模态推理的学习信号，在视觉-语言推理基准上相较于标准GRPO基线取得了显著的准确率提升。
BRAID是一个框架，它将交错文本-图像-文本推理形式化为统一的马尔可夫决策过程，通过强化学习实现文本和视觉生成的联合优化，并由VLM裁判提供密集的轮次级反馈。
本技术报告介绍了 iFLYTEK-Embodied-Omni，这是一个统一的多模态基础模型，采用脑-小脑协作架构和四阶段训练策略，联合建模视觉、语言和动作，用于具身智能体。
mlx-vlm v0.6.4 已发布，支持5个新模型系列、TTS/STT端点，以及包括 TurboQuant 和连续批处理在内的重大性能改进。
介绍了一种无需训练的零样本组合图像检索框架PEC-CIR，该框架采用Planner-Executor-Critic架构，通过将查询构建组织为多阶段推理流程来提高检索精度。
IMCBench是一个新的基准，用于评估多模态大语言模型在图像基础医疗对话中的表现，它将临床图像与合成患者档案配对。在安全性、准确性和不确定性方面的评估表明，即使是像Claude Opus 4.6这样强大的模型也存在安全问题，凸显了多维度评估的必要性。
介绍了MatMMExtract流程，用于将复合科学图形分解为子图并使用LLM进行标注，创建了MatSciFig数据集，包含超过390,000个图像-文本对，用于材料科学中的视觉语言学习。
本文提出Rank-Aware Hyperbolic Alignment (RAHA)，一种用于视觉-语言数据集蒸馏的方法，利用双曲几何和对齐容量控制，将大规模图像-文本数据集高效压缩为高质量的合成对。
GAVEL 提出了一个新任务，用于验证、解释和定位图像-文本对中的错误，并附带一个数据集和基准。一个监督基线显示出相对于强闭源模型的改进。