多模态大模型

Unified Thinker图像生成推理方案攻克了扩散模型在复杂逻辑生成上的硬伤。针对AI绘制数独、模拟时间演变频频幻觉的痛点，浙大与阿里团队提出解耦思考与执行的模块化思维链架构，实测表明该方案能够...

Keye-VL-2.0-30B-A3B是快手开源的全新一代多模态大模型底座。它引入了DSA机制以极低推理成本支持256K超长上下文，并首次解锁Code与Tool等Agent协作机制，提供优秀的时序因果...

多模态大模型在依靠CoT推理时，文本冗长极易增加硬件解码延迟。为此，浙大等提出Heima推理框架，将复杂的显式步骤压缩成少数隐式思考Token。实测表明，该方案成功在隐空间实现极速探索，不仅免去了海量...

视频生成模型常因缺乏物理常识导致画面穿帮。南洋理工大学团队推出VChain框架，首次引入“视觉思维链”机制。该方案利用多模态大模型进行逻辑推演并指导视频生成，在常识与因果规律测评中表现优异，零重训实现...

音乐时序理解一直是多模态大模型的致命短板。复旦联合字节推出GaMMA模型，创新采用双编码器融合网络与GRPO强化学习，让大模型真正读懂音乐时间线。实验表明，它在音乐结构拆解与时序任务上超越Gemini...

Meta ATLAS视觉推理方案针对多模态大模型开销大、依赖工具的痛点，创新提出用单个Token统一Agent动作与隐式思考。该方案通过SFT与LA-GRPO机制，在不改动原架构下，显著降低推理成本...

CVPR 2026论文分享会蓄势待发。面对跨模态推理低效与三维数据匮乏的学术痛点，本次北京分享会由行业顶尖学者现场拆解隐空间统一模型与生成式视觉先验两大方案，助力研发者攻克多模态对齐与具身控制难题，提...

视觉语言模型在长推理时易发生注意力漂移并产生幻觉。为此，最新研究提出首个并行思考框架Visual Para-Thinker，引入并行注意力与分段学习位置编码机制。实验显示该框架显著提升了多模态模型在视...

中山大学与引望联合提出GeoThinker，通过主动几何集成框架突破传统被动融合瓶颈，在VSI-Bench上以72.6分登顶，并在具身与自动驾驶任务中展现强大性能。

上海交通大学与蚂蚁集团联合提出Region-to-Image Distillation方法，让多模态大模型无需反复缩放即可实现细粒度视觉感知，性能超越Kimi-K2.5等大模型，速度提升10倍。