有点子了，就去执行……
OmniCapBench：解决多模态模型评测痛点的新框架
你知道现在评测多模态大模型（MLLM）有多挠头吗？要么评分全但找不到具体问题在哪，要么能定位但覆盖不全，用大模型当裁判又容易乱打分。直到OmniCapBench出来——它靠786个精标视频，把评...
扩散模型的控制级不确定性：SCOPE解决采样成本痛点
机器人做实时路径规划时，用扩散模型生成轨迹，之前算不确定性要靠蒙特卡洛采样，这一步慢到跟不上毫秒级的控制需求。原来的问题：扩散模型的不确定性太“贵”扩散模型能表示复杂多变的多模态轨迹分布，但要从...
FastBench测流式VLMs：高速现实流感知卡壳了？
目前最强的Gemini-3.5-Flash，在FastBench测试里只拿了50.7分——这是当前流式视频大模型（VLM）应对高速现实流感知的上限，连及格线都没摸到。原有基准的盲区：1-2FPS...
统一多模态深度研究Agent OneSearch-VL 做对了什么
OneSearch-VL-8B比带工具调用的Qwen3-VL-8B，在两个新的多模态视觉基准上，分别高出20.2和17.6个百分点。同参数级别的模型，差十几个点已经是很明显的能力差距——这不是小...
WOVEN：补上多模态大模型的视觉推理短板
38个顶尖多模态大模型里，没一个能达到人类的视觉推理水平。多模态大模型的集体硬伤多模态大模型（MLLMs）在空间、具象化、物理、时间推理上表现极差。研究人员发现这些失效其实指向同一个核心问题：视...
GeoReform如何帮大模型搞定几何题？
Geometry3K数据集上，多模态大模型做几何题的准确率，之前只有42%。换了叫GeoReform的框架后，直接涨到56%。但你知道吗？之前有人试过另一种解法，在200个例子里，改了28个几何...
大模型说的法律依据，算不算真的依据？
说出来你可能不信：7个从80亿到700亿参数的开源大模型，在法律推理里，说对法条或判例的概率能达到66.7%到100%；但你要是偷偷把它们引用的法条换成不相关的，它们的判决结果能跟着变的比例，最...
突破长尾分布前置障：大模型SFT的自适应新方法
一篇arXiv上归类为cs.AI、cs.CL、cs.LG的论文，给出了一组可量化的实验结论：他们提出的PASS自适应SFT指令选择法，在4种不同主干模型+预算组合的测试场景里，连续超越7种当前最...
VFold：让LLM长上下文缓存省内存还不拖速度
LLM跑长上下文时，内存压力常卡脖子。很多人可能没意识到——这压力主要不是来自模型参数，是KV缓存。解码时每一层的KV状态都得存下来，上下文越长，这部分占内存的比例越高。现在的压缩方案，大多踩了...
神经网络调优：大模型靠初始设定还是实验反馈？
在神经算子调优任务里，大模型的留集测试nRMSE，几乎在所有对比里都比随机搜索、贝叶斯优化更低。这是arXiv上一篇归类于cs.AI、cs.LG、physics.comp-ph的论文，针对“大模...