有点子了，就去执行……
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...
FastBench: Can Streaming VLMs Perceive High-Dynamic Real-World Streams?
AI 情报卡 · 重要性 ★★★★☆ · 来源：arXiv (LLM/多模态新论文) · 2026-10-08文章针对流视频大语言模型（VLMs）现有基准聚焦低动态场景的不足，构建含306个问答...
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...
OneSearch-VL: Unified Multimodal Deep Research Agent for Image and Video
AI 情报卡 · 重要性 ★★★★☆ · 来源：arXiv (LLM/多模态新论文) · 2026-10-08本文提出OneSearch-VL，一种基于视觉接地证据图（VGEG）的统一多模态深度...
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...
WOVEN: Weaving Visual World Modeling into Multimodal LLMs
AI 情报卡 · 重要性 ★★★★☆ · 来源：arXiv (LLM/多模态新论文) · 2026-10-08本文针对多模态大语言模型（MLLMs）在空间、物理等推理上的缺陷，提出WOVEN训练...
HRIL用高阶张量抓多模态协同：比现有方法强在哪？
多模态自监督学习已经在好多场景出成果了，但有个死穴：有些任务需要的信号，单看某一个模态根本找不到。比如一张图配一句“猫在追老鼠”，“追”这个动作的核心信号，得同时看猫的身体姿态和老鼠的位置，单拿...
HRIL: Learning Multimodal Synergy via Higher-Order Tensor Modeling
AI 情报卡 · 重要性 ★★★☆☆ · 来源：arXiv (LLM/多模态新论文) · 2026-10-08针对自监督多模态表示学习中跨模态协同信息难以捕捉的挑战，本文提出HRIL方法，通过构...
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...
GeoReform: Reflective Formalization Evolution for Multimodal Geometry Problem Solving
AI 情报卡 · 重要性 ★★★★☆ · 来源：arXiv (LLM/多模态新论文) · 2026-10-08这篇arXiv的cs.AI分类文章，针对多模态大模型处理几何问题时的几何关系识别难题...