读懂音乐时间线到底有多难？复旦与字节联手打造GaMMA，多模态大模型终于学会“按秒听歌”
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...
排序
CVPR 2026 | 多模态大模型如何看懂物种关系？北大团队提出TARA，层级识别准确率大幅提升
北京大学王选所彭宇新团队提出TARA方法，通过生物基础模型对齐表征，显著提升多模态大模型在层级视觉识别中的一致性表现，并大幅增强对未知物种的泛化能力，论文入选CVPR 2026。
「屏幕图灵测试」曝光：大模型 GUI Agent 如何绕过平台检测实现“拟人化生存”
多模态大模型驱动的GUI Agent面临平台检测危机，上海交大与CMU团队提出“屏幕图灵测试”与AHB基准，系统剖析原生Agent的机械印记，通过历史匹配、伪动作注入等策略探索拟真度与实用性的帕累托前...
免费开源！快手Keye-VL-2.0-30B大模型上线：手把手教你白嫖256K超长视频理解与代码Agent
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...
多模态大模型能理解视频笑点吗？v-HUB基准揭秘AI幽默理解的四大短板
上海交大等团队发布v-HUB基准，评测7款多模态大模型对无台词搞笑视频的理解力。研究发现模型严重依赖文字描述，难以从视频中直接捕捉动作、声音与反差，幽默解释仍存关键短板。
给视频生成装上“物理外脑”：NTU团队提出VChain，用视觉推理解决画面“穿帮”难题
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...
告别视觉幻觉！首个多模态并行思考框架开源：以“宽度”破局，让VLM学会分头行动
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...
告别“废话连篇”的推理！浙大等提出Heima框架：大模型用3个隐式Token看懂世界
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...
AI不再“近视眼”：上交大&蚂蚁提出R2I蒸馏，单次推理实现细粒度感知，速度提升10倍
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。
CVPR 2026 | 北大彭宇新团队TARA：让多模态大模型看懂物种关系，未知物种也能准确推断
北京大学彭宇新团队在CVPR 2026提出TARA方法，通过分类学感知的表征对齐，让多模态大模型学会生物层级结构，大幅提升层级一致性，并实现对未知物种的准确推断。