多模态

RECAP 把视觉重访转为信用分配信号，在三个 VLM 骨干上 HallusionBench 提升 +6.1--+6.5

为 VLM 强化学习提供无需额外奖励或推理改动的视觉步骤信用分配方法，缓解长 CoT 推理中的图像证据漂移。

冻结基座+5.9M LoRA纠正器，消除自回归视频扩散漂移

漂移近乎确定性、可学习；小纠正器即可让流式视频生成不崩溃，成本远低于重训基座。

Unisense 让 MLLM 统一理解视觉之外的多种具身传感器

两阶段训练把弱关联的传感信号接入语言可访问接口，为具身系统扩展到触觉等模态提供可复用范式。

ProCoRe 强化视觉 grounding，多模态 ICL 平均分类精度提升 5.6%、ROUGE-L 提升 13.8%

针对 MLLM 在 ICL 中忽略视觉证据、依赖文本的问题，提供无需 ICL 数据训练的统一改进方案，对多模态提示工程与评估有直接借鉴意义。

大规模评估发现 VLM 存在子任务逆缩放：更大模型在 375 个组合上更差

提示工程与模型选型需注意：更大 VLM 并非在所有子任务更优，需按具体类别评估而非只看聚合指标

Pos4CHD 仅用正常样本合成胎儿心脏病图像，EbA 零样本 ACC 93.25%

为稀缺正例医学影像提供无正样本合成方案，可缓解数据不平衡，对医疗 AI 数据闭环有参考价值。

论文发现 MLLM 内部存在 S-Space 线性子空间编码物体坐标

为多模态空间推理提供可解释依据，可用于诊断具身模型的定位与视角变换瓶颈

LayerEditor 将图像编辑分解为 RGBA 层

统一指令编辑与 RGBA 层生成，并提供 LayerEditor-100K 数据集与基准，对可控图像编辑和图层复用有参考价值。

FAPL 让 MLLM latent 可用于电影级视频生成，三项任务优于基线

为视频 DiT 有效利用 MLLM 表征提供了分阶段训练方案，可指导多模态生成模型的工程实现。