多模态

视觉语言模型往往能生成表面合理却并不正确的答案。MOTIVE通过多视角验证与可靠性评分，让模型在直接回答和重新推理之间做出更稳健的选择。

何恺明团队提出视觉原生Harness框架VISTA，不改动基础模型，而是为智能体保存完整画面，并提供按需回看、裁剪和对比工具。实验显示，这种机制可提升模型在交互式视觉推理任务中的表现。

Cloudflare 围绕 Clef 决策模型一次发布三项更新：支持多模态输入的 Clef-omni、更便宜的 Clef-flash，以及速度更快的 Clef。其重点并非单纯扩展模型能力，而是同时改善决策模型的输入范围、成本与延迟。

FMEE提出一种无需修改模型参数的持续学习框架，让冻结的语言模型和视觉语言模型通过技能、知识记忆与多模态案例库积累部署经验。该方法重点解决医疗场景中的知识更新、视觉信息保留和在线验证问题。

视觉Token往往占据视觉语言模型输入序列的大部分，成为推理成本的重要来源。V-CoLA针对线性注意力架构提出无需训练的压缩方案，在减少Token数量的同时尽量保持模型性能。

OneSearch-VL提出视觉 grounding 证据图，将单图、多图和视频研究中的视觉定位、外部检索与事实组合连接起来。基于这一框架，研究团队构建了训练数据、强化学习奖励和面向操作的评测基准。

OmniConfess 提出一种无需重新训练的推理时方法，通过逐 token 干预不同证据通道，识别多模态模型答案背后的依据，并据此修正幻觉。

Kandinsky 6.0 Video 是一组面向文本或图像输入的音视频生成模型，可输出带有同步 44 kHz 音频和唇形匹配的 5 秒视频。其核心是连接视频与音频生成流的双流 CrossDiT 架构，并以开源方式发布代码、权重和 Diffusers 集成。

HUST Vision Lab 提出 Multimodal Flow，尝试用统一的连续流模型同时处理语言和图像。该方法以连续超块替代离散视觉令牌，并在匹配数据与参数规模下展现出竞争力。

ReImaGin提出将图像生成模型接入多模态大语言模型，把视觉内容的生成与变换纳入推理过程。摘要显示，该方法在六类视觉推理任务中优于文本推理和专用视觉工具基线，最高提升达25%。

伯克利团队提出OmniTaskonomy，系统研究图像到图像生成任务能否提升图像到文本理解能力。研究显示，生成监督确实可以迁移到理解任务，但收益取决于任务之间的对应关系与梯度协同性。

SentZero提出一种以句子为中心的视觉语言预训练框架，针对胸部X光报告中的语义复杂、正样本多样性不足和对比学习误判负样本等问题进行改进。其目标是在无需任务专门微调的情况下，提升多任务零样本分析能力。

VQS 将图像解析、问题生成与答案计算拆开，用结构化记录和固定程序替代不稳定的多数投票。该方法在人工评估中将答案正确率提升至 94%，并持续改善 Qwen3-VL 的多项基准表现。

腾讯混元团队比较了有视觉编码器与无视觉编码器的多模态大模型，发现后者虽在小规模训练中落后，但随着算力增长可能逐步追平。研究还揭示，语言模型能够通过结构适配接管部分视觉编码工作。

AV-GRPO 针对联合音视频生成中的模态奖励纠缠、训练成本高和同步评估困难，提出一种以模态为锚点的在线扩散强化学习框架。配套的 5DAV 数据集则从五个维度拆解训练难度。

PrismML在高通骁龙峰会上展示了面向智能眼镜的1比特 Bonsai 语言模型。该模型约20亿参数，支持在设备本地处理视觉与语言任务，但目前尚未有搭载它的眼镜产品公布。

Google DeepMind推出带Live Avatar的Gemini 3.8 Live，将实时语音对话与低延迟视频生成结合。该功能支持异步工具调用、97种语言切换及企业定制头像。

Ovis-Embedding提出了一套原生全模态嵌入方案，尝试用共享多模态骨干统一处理文本、图像、视频和音频。其重点不只是扩大模态覆盖范围，还包括数据组织、困难样本学习和可变维度推理优化。

Realtime-Venus 提出了一套面向实时交互的全双工系统，将持续感知、对话控制、原生语音生成和异步任务委托整合到同一条因果时间线上。系统由两个分别训练的 9B 模型组成，分别服务于音视频交互与纯语音交互。

CARDEA 将视觉语言模型引入冠状动脉造影解读，并通过 Chain-of-Box 让模型在推理过程中标注所依据的影像区域。研究显示，强化学习不仅提升了部分诊断能力，也改善了模型零样本生成报告的表现。

SpatialBlock提出一种受人类空间认知启发的训练路径：先让视觉语言模型学习合成的积木堆叠任务，再迁移到真实场景空间推理。其核心数据集SpatialBlock-15k覆盖三维投影、视角变化和结构组合，并通过颜色线索引导模型建立空间锚点。