Watch and Learn: Teaching Visual In-Context Learning by Removing Textual Shortcuts移除文本捷径微调提升视觉上下文学习 8.1 到 18.0 点
移除文本捷径微调提升视觉上下文学习 8.1 到 18.0 点
证明视觉演示数据应成为 VLM 训练标准组成，提升多图与纯文本上下文学习且不损单图能力。
多模态
资料 50 条 · 常规内容近 60–90 天，综述/报告保留一年最近同步 17 分钟前
浏览方式
WeVisOne-VL: Unified Visual Perception from Objects to PixelsWeVisOne-VL 统一对象与像素级感知，覆盖 30+ 基准
WeVisOne-VL 统一对象与像素级感知，覆盖 30+ 基准
开源 VLM 统一检测、OCR、分割与 matting，为细粒度视觉感知提供可部署参考。
RECAP: Looking Once Is Not Enough for Vision-Language ReasoningRECAP 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
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。
Visual Grounding First, Multimodal In-context Learning FollowsProCoRe 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%
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。
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
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
OmniCompass: A Holistic Benchmark for Omni-Modal Video Grounding and Understanding提出 OmniCompass 基准：820 视频与 2,460 实例评测 50 个 MLLMs
提出 OmniCompass 基准：820 视频与 2,460 实例评测 50 个 MLLMs
统一全模态视频定位与理解评测，揭示开源模型在音视频理解上的差距，可用于多模态模型选型与诊断。
GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives4B 的 GroundingPI 在 34 个 grounding 基准达 SOTA，超过 GPT-6 Astra
4B 的 GroundingPI 在 34 个 grounding 基准达 SOTA，超过 GPT-6 Astra
为 VLA/WAM 提供快速精确的视觉 grounding 基座，直接决定机器人闭环控制在杂乱场景与小目标上的可用性
S-Space: Exploring Spatial Workspace in Multimodal Language Models论文发现 MLLM 内部存在 S-Space 线性子空间编码物体坐标
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
