#多模态模型
主题「多模态模型」下共有 113 篇日报。
2026-11-21周六3 篇科研多模态模型
锐度与时序不必二选一:Depth Pro 2 做全分辨率度量深度
Depth Pro 2 用单一可扩展网络同时处理图像与视频,在原生分辨率预测度量深度,试图一次性兼顾锐利边界、时序一致与运行效率。
来源:Hugging Face Daily PapersVLM能按任务选择内部概念:多模态透镜对齐工作空间假说
提出多模态Jacobian透镜MC-Lens,把视觉与语言中间状态映到同一词表空间,检验概念可读、按任务选择及是否进入下游推理。
来源:Hugging Face Daily Papers开源全模态视频新标杆:WeMM-Video 9B 反超更大开源模型
WeMM-Video 发布 2B 至 35B 中英双语全模态模型,统一音视频理解与混合思考;35B 刷新开源纪录,9B 反超更大开源模型。
来源:Hugging Face Daily Papers2026-11-20周五2 篇AI 智能体多模态模型
2026-11-19周四1 篇机器人
2026-11-18周三2 篇多模态模型机器人
2026-11-14周六2 篇多模态模型
2026-11-12周四1 篇多模态模型
2026-11-11周三2 篇机器人强化学习
2026-11-07周六4 篇物理 AI多模态模型
五万小时人类视频开源配方:纯预训练对数线性提升机器人成功率
作者开源五万小时密标注第一人称视频与训练配方,发现预训练时长与机器人成功率呈对数线性关系,人机混合预训练进一步拉高仿真基准。
来源:Hugging Face Daily Papers空间理解不应只在微调出现:SLA 将隐式三维对齐做到持续预训练
SLA 从预训练 pi05 初始化,在持续预训练中联合优化动作预测,以及中间视觉嵌入与冻结三维感知模型的对齐;辅助模块仅训练时使用。
来源:Hugging Face Daily Papers多轮修图漂移不必重训:TailSteer把保真修正压到轨迹尾部
TailSteer将保真修正集中在去噪轨迹尾部,无需精标编辑对,即可显著降低15–20轮累计漂移,并大体保留基座生成与单轮编辑能力。
来源:Hugging Face Daily Papers不必逐点自回归:VFlash用结构一次解码视觉规划原语
VFlash一次前向生成点、框与轨迹,2D/3D轨迹误差下降,3D预报约快25倍,下游成功率70.2%。
来源:Hugging Face Daily Papers2026-11-06周五2 篇物理 AI强化学习
2026-11-05周四4 篇多模态模型视频大模型应用架构
组合查询别一步压成向量:FactEmbed用分解潜变量先想象目标
CIR里MLLM常把组合查询直接压成检索向量。FactEmbed用分解潜变量做目标想象,再经因子对比与蒸馏形成检索嵌入。
来源:Hugging Face Daily Papers生成质量是多模态理解的投影:Kling拆视频生成全链路
Kling报告认为视频生成瓶颈已从渲染转向语义控制,生成质量是多模态理解沿数据、条件化、对齐与评测全链的投影,并围绕共享底座拆解各模块。
来源:Hugging Face Daily PapersOpenAI 推出 Images 2.6:更快出图、新增 GIF,编辑更精确
OpenAI于2026年11月4日推出Images 2.6:更快生成、GIF制作、更精确编辑,覆盖ChatGPT、Codex与API。
来源:OpenAI不必一台模型包打天下:Route Anything把路由做成系统问题
Route Anything用统一框架研究模型与策略路由,并在25个基准、452种候选上收集374401次打分,讨论质量与成本权衡。
来源:Hugging Face Daily Papers2026-11-04周三1 篇多模态模型
2026-10-31周六4 篇多模态模型扩散模型
不问验证集也能决定何时换题:A-RSI拆开自改进的两个问题
A-RSI按训练日志刷新任务池,用模型程序生成可核验多模态题,十一项基准平均分从57.77升至61.05。
来源:Hugging Face Daily Papers少步文生图细节更准:IDM以内在矩匹配增强分布蒸馏
IDM在DMD基础上加入特征均值与标准差约束,用生成器EMA特征实现,两步评估在LongText-Bench取得最高分。
来源:Hugging Face Daily Papers好视角比堆规模更划算:JEPA把柏拉图表征假说证成定理
独立训练的JEPA在好视角下表征至多差一个旋转;下一词预测是差视角。109M文本JEPA对齐视觉编码器,优于评测过的最大72B语言模型。
来源:Hugging Face Daily Papers一个编码器、一套Schema:5B解析器统一输出时空结构化记录
用一个编码器和一套OmniSchema,把文档、图像、音频、视频解析成可定位引用的结构化记录,5B单权重在多项解析基准领先。
来源:Hugging Face Daily Papers2026-10-30周五1 篇多模态模型
2026-10-29周四5 篇多模态模型物理 AI基准测试
量化误差不可靠:分解式向量量化让离散视觉表示追上连续特征
论文发现量化误差并非语义损失的可靠指标;分解式向量量化缓解码本饱和,工业数据训练后在离散表示模型中取得SOTA。
来源:Hugging Face Daily Papers不必在线生成视频:PDRVLA用物理token条件化机器人动作
PDRVLA从视觉语言特征抽取物理token条件化动作,避免控制环在线生成视频,并在四项仿真基准上报告最高99.3%成功率。
来源:Hugging Face Daily Papers无标注视频也能强化动作推理:ThinkWorld用世界想象对齐动力学链
ThinkWorld用跨本体动力学链表示动作,以世界想象强化学习筛选符合观测的推理,让无标注人类视频也能直接监督机器人VLA。
来源:Hugging Face Daily Papers表面任务不同、底层能力可共享:Trinity的多模态智能体递归自改进
针对环境构建和人工Harness迭代瓶颈,Trinity按共享能力重组任务,并用三角色耦合世界生成与模块进化。
来源:Hugging Face Daily Papers最强系统核心全达标仅76.3%:代码视频基准暴露一小时规划失败
代码驱动视频新基准含239项中英任务,限一小时交带声MP4。最强智能体核心全达标76.3%,交片失败多因渲染规划,GPT-6 Astra排名第一。
来源:Hugging Face Daily Papers2026-10-28周三2 篇语音 AI多模态模型
2026-10-24周六3 篇物理 AI多模态模型
用语言对齐异构动作:潜空间世界模型一次训练覆盖多域规划
用语言描述动作与视觉变化,LaLa-World联合训练仿真、机器人与图视频,平均规划优于分域LWM,训练成本约为视频生成基线六分之一。
来源:Hugging Face Daily Papers接上还不够:让MLLM隐变量真正驱动电影级视频生成
FAPL先强迫Video DiT使用冻结MLLM隐变量,再以成对视频做因子替换、以有限输入做时序预测,对准电影级控制与稀疏推断。
来源:Hugging Face Daily Papers一个模型从检测到抠图:微信 WeVisOne-VL 统一细粒度感知
微信 WeVisOne-VL 以结构化预测统一物体级与像素级感知,覆盖检测到抠图,摘要称三十余项基准领先并稳健拒答无目标查询。
来源:Hugging Face Daily Papers2026-10-22周四2 篇物理 AI代码智能体
2026-10-21周三2 篇多模态模型
2026-10-20周二1 篇PyTorch
2026-10-18周日1 篇科研
2026-10-17周六2 篇多模态模型物理 AI
2026-10-16周五2 篇基准测试大语言模型
2026-10-15周四3 篇视频大模型物理 AIAI 智能体
单卡4090实现无分块4K视频超分:FlashVSR+混合注意力与偏好对齐蒸馏
FlashVSR+用混合注意力加速DiT并降内存,结合Ry-DMD实现偏好对齐的一步视频超分,提升质量与高分辨率效率。
来源:Hugging Face Daily Papers世界模型也能拆出策略:GreenWAM统一二十类机器人关节坐标
GreenWAM用共享解剖动作空间覆盖二十类机器人,联合训练世界预测与可拆分策略,仿真世界建模领先比较对象,策略与真机适配亦具竞争力。
来源:Hugging Face Daily Papers城市级三维定位不必先提候选:Urbex 把它做成主动空间搜索
Urbex 将城市级三维定位从候选排序改写为视觉语言模型智能体的主动空间搜索,在 CityRefer 上报告更好的命中与交并比,并支持无真实框候选。
来源:Hugging Face Daily Papers2026-10-14周三1 篇视频大模型
2026-10-10周六3 篇科研强化学习
不必假设平滑运动:FreeMatching 为图像编辑重建身份保持对应
该工作提出 FreeMatching,用生成与语义表征加异构监督,在图像编辑场景建立身份保持密集对应,并可用作与人类判断相关的身份度量。
来源:Hugging Face Daily Papers缩放强化学习冲自改进:MiMo-V2.6沿批次、环境、打分三维扩算力
MiMo-V2.6以全模态中期训练为底座,沿更大批次、更复杂环境、更重打分三维缩放强化学习,并开源训练动态、环境与框架。
来源:Hugging Face Daily Papers静态3DGS无掩码变成任意视角循环电影图:周期形变加漂移场
OuroWorld用视觉语言模型与视频模型生成多视角监督,再以周期形变和锚定漂移场,把静态3DGS变成任意视角可循环的3D电影图。
来源:Hugging Face Daily Papers2026-10-09周五2 篇GPT-5.6物理 AI
2026-10-08周四2 篇多模态模型强化学习
没有匹配的日报,换个关键词试试。