多模态

Hallo4D 试图解决 3D 与 4D 生成中的空间和时间“幻觉”问题。它不改造底层生成模型，而是让多模态大模型充当一致性评审，发现问题并指导修正。

KnowAct-GUIClaw 提出“Know Deeply, Act Perfectly”范式，试图补足 OpenClaw 在跨平台 GUI 交互和自我进化机制上的短板。该框架通过经验记忆、技能库与反思机制，让个人助手在 Android、iOS、HarmonyOS 和 Windows 等环境中提升任务执行能力。

一篇 arXiv 论文提出 CF-Net，用视觉、音频与文本三路信息识别视频中的 ambivalence/hesitancy（矛盾与犹豫）。它的重点不是捕捉典型表情，而是建模不同模态之间的细微不一致。

这篇 arXiv 论文提出 AgentHOI，把多模态大模型的推理能力引入开放场景中的人物—物体交互检测。它不再依赖固定类别训练，而是通过多轮语义推理与定位模块协作来发现交互关系。

一篇 arXiv 新论文提出以“切片级数据合成”构建结构化推理数据，帮助2D预训练医学多模态大模型理解3D体数据。该方法试图在不进行昂贵3D专用预训练的前提下，提升模型的空间追踪与临床推理能力。

AspectCLIP 针对 CLIP 训练中的图文信息不对称问题提出改进：同一张图像可能包含多个可描述侧面，而文本往往只覆盖其中之一。它通过按文本属性聚类来约束一致性正则，减少语义错配对表示空间的干扰。

Thinking Machines 的 Inkling 已在 Hugging Face 上线，这是一个面向图像、文本和音频原生输入的开放多模态大模型。它以约 1T 参数、1M 上下文和稀疏 MoE 架构为主要卖点，定位于复杂多模态推理与下游微调。