论文多模态视觉语言理解2 天前
RECAP: Looking Once Is Not Enough for Vision-Language Reasoning
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。
多模态
共 50 条 · 按质量与时效综合排序 · 仅收录近 3 个月内容最近同步 55 分钟前
已折叠 · 展开查看该领域的技术路线图、最新技术与成果、发展态势与前景趋势（含表格与 Mermaid 路线图）。
博客多模态3 天前
Europe’s Industrial Leaders Reinvent Engineering and Manufacturing With NVIDIA
NVIDIA FOX 开放早期访问，构建工厂智能体
提供工厂智能体参考架构，连接 Cosmos/Nemotron 与 CAD/PLM/OT 数据，可评估工业 agent 落地。
博客多模态7 天前
RTX Spark Ignites Global Celebration as New Windows PCs Arrive
NVIDIA RTX Spark 笔记本上市，最高128GB统一内存
将 Blackwell+Grace 本地 AI 算力带入 Windows 笔记本，影响端侧推理。
博客多模态3 天前
Bringing the Spark to Europe: Local Intelligence Powers Next Wave of Agents
NVIDIA 公布 DGX Spark 64GB 等本地 AI 更新
汇总本地 AI 硬件、软件与模型支持，为端侧 agent 和推理部署提供选型参考。
博客多模态3 天前
NVIDIA Agent Toolkit Expands, Grounding Enterprise Agents in Company Data
NVIDIA Agent Toolkit 扩展，接入企业数据
为企业 agent 提供数据接入、监控与治理的开源栈，对可控 RAG/agent 工程有参考价值。
论文多模态视频生成5 天前
Clean Forcing: Drift-Resistant Autoregressive Video Diffusion with a Frozen Base
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。
论文多模态全模态与统一模型5 天前
Beyond Omni: A Unified MLLM for Embodied Sensory Understanding
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。
论文多模态视觉语言理解2 天前
Visual Grounding First, Multimodal In-context Learning Follows
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。
论文多模态视觉语言理解4 天前
On the Limits of Scale: Inverse Scaling in Vision-Language Models
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
论文多模态图像生成与编辑2 天前
Pos4CHD: A Positive-Free Mask-Guided Counterfactual Synthesis Framework for Fetal Congenital Heart Defect Analysis
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。
博客多模态9 天前
Be There for the Beginning: Celebrate the Launch of NVIDIA RTX Spark
NVIDIA 发布 RTX Spark PC，主打本地 AI
推动本地 AI 工作流与端侧智能体部署，需评估性能、兼容性与成本。
同一事件 · 另有 2 个来源报道▾
- 博客Code, Test, and Deploy on One Machine with NVIDIA RTX Sparkdeveloper.nvidia.com
- 博客NVIDIA RTX Spark N1X Launch Overview: NVIDIA Arms Windowsservethehome.com
博客多模态3 天前
Pioneers Across Europe Deploy NVIDIA Earth-2 Open Models to Power Real-World Weather and Climate Prediction
Earth-2 新增 StormScope EU，10分钟更新
为气象、能源等场景提供可定制开放模型与近实时区域短临预测管线，可评估多模态卫星数据推理。