AI 每日进展速报 - 2026-02-27

当前筛选条件下没有条目。

图像生成/编辑

arXiv

[2026-02-23] Closing the gap in multimodal medical representation alignment 📖2 🆕NEW
- 赛道归属: 多模态医学表征学习（图文对齐/表示对齐）
- 核心创新点: 针对CLIP式对比学习在医学多模态对齐中引发的“模态鸿沟”（潜空间稀疏、语义碎片化）问题，系统分析其非预期优化行为，并提出更贴近真实语义对齐目标的对齐策略以缩小模态间分布差异。方法重点在于纠正对比损失带来的错误几何结构，从而提升跨模态语义一致性。
- 一句话总结: 通过诊断并修复对比学习导致的模态鸿沟，该工作为医学场景的可靠图文共享表征提供了更稳健的对齐路径。

[2026-02-25] GeoDiv: Framework For Measuring Geographical Diversity In Text-To-Image Models 📖1 🆕NEW
- 赛道归属: 文生图评测与公平性（地理多样性/偏见评估）
- 核心创新点: 提出GeoDiv评测框架，利用大语言模型与视觉-语言模型对T2I生成结果进行“地理语义”层面的可解释评估，避免仅依赖人工标注数据集或表层视觉相似度指标。框架将地理多样性、刻板印象与区域表征偏差转化为可量化、可诊断的评测信号。
- 一句话总结: GeoDiv为文生图模型提供了可解释、可扩展的地理多样性与偏见评估工具，帮助系统性发现“世界表征”失真问题。

[2026-02-24] When Safety Collides: Resolving Multi-Category Harmful Conflicts in Text-to-Image Diffusion via Adaptive Safety Guidance 📖1 🆕NEW
- 赛道归属: 文生图安全对齐（扩散模型安全引导/多类有害冲突消解）
- 核心创新点: 指出现有安全引导将多类有害内容“平均化”成单一避让方向，无法建模不同伤害类别间的冲突与耦合；提出自适应安全引导，在生成过程中按类别动态调节引导强度与方向以解决多类别冲突。方法层面强调“按需分解+自适应融合”的安全梯度/引导策略，而非静态关键词区间。
- 一句话总结: 该工作让扩散模型在面对多类安全约束时能更精细地权衡与避险，提升安全性同时减少对正常生成质量的误伤。

[2026-02-26] Decomposing Private Image Generation via Coarse-to-Fine Wavelet Modeling 🆕NEW
- 赛道归属: 隐私保护图像生成（差分隐私训练/频域建模）
- 核心创新点: 提出基于小波的coarse-to-fine频域差分隐私框架，将生成建模分解到不同频段/尺度，在DP噪声注入时对高频纹理等敏感质量维度进行更精细的结构化处理，缓解DP-SGD“全参数均匀加噪”导致的纹理崩坏。核心突破在于用频谱分解重构DP训练的噪声分配与建模顺序。
- 一句话总结: 通过频域分解实现更“懂画质”的DP训练，该工作在隐私保证与图像质量之间取得更优折中。

[2026-02-26] PATRA: Pattern-Aware Alignment and Balanced Reasoning for Time Series Question Answering 🆕NEW
- 赛道归属: 多模态时间序列问答（时序模式对齐/推理训练）
- 核心创新点: 提出PATRA，通过“模式感知对齐”显式建模趋势、季节性等时序结构，避免将时间序列粗暴当作文本/图像输入；并通过“平衡推理”训练机制抑制简单任务目标的主导效应，促使模型学习更深层的逻辑推理能力。方法突破在于把时序模式表征与训练目标配比共同纳入可控优化。
- 一句话总结: PATRA让LLM在时间序列QA中既看得懂模式又推得动逻辑，提升复杂问题的可靠性。

[2026-02-26] WISER: Wider Search, Deeper Thinking, and Adaptive Fusion for Training-Free Zero-Shot Composed Image Retrieval 🆕NEW
- 赛道归属: 组合式图像检索（零样本CIR/训练免适配）
- 核心创新点: 提出WISER训练免的ZS-CIR框架，不再将“参考图+修改文本”强行折叠为单一模态，而是进行更宽的候选搜索与更深的语义推断，并对T2I式与I2I式检索信号进行自适应融合。方法论突破在于以“多路径检索+自适应融合”同时保留细粒度视觉细节与文本修改意图。
- 一句话总结: WISER在无需三元组训练数据的前提下显著增强组合检索的鲁棒性与可用性。

[2026-02-26] DMAligner: Enhancing Image Alignment via Diffusion Model Based View Synthesis 🆕NEW
- 赛道归属: 图像对齐与配准（扩散模型视角合成/对齐增强）
- 核心创新点: 提出DMAligner，用扩散模型进行“面向对齐的视图合成”来替代/补充传统光流扭曲，在遮挡与光照变化下生成更一致的对齐结果。核心突破是将对齐问题转化为条件生成的视图重建，通过生成式先验提升对齐质量与下游稳定性。
- 一句话总结: DMAligner用生成式视图合成绕开光流在复杂场景的脆弱性，提升图像对齐的视觉质量与可靠性。

[2026-02-26] Where Vision Becomes Text: Locating the OCR Routing Bottleneck in Vision-Language Models 🆕NEW
- 赛道归属: 多模态理解与可解释性（VLM OCR信息路由/因果分析）
- 核心创新点: 通过因果干预定位VLM中OCR信息进入语言流的关键瓶颈：对比原图与“文本抹除/修补”图像的激活差异，系统刻画不同架构中OCR路由的主导层/模块位置。方法突破在于用可操作的反事实输入与激活差分，给出架构相关的可解释“路由瓶颈”诊断。
- 一句话总结: 该工作把VLM“读字能力”从黑箱变为可定位的系统瓶颈，为OCR能力增强与失效排查提供了直接抓手。

[2026-02-26] From Blind Spots to Gains: Diagnostic-Driven Iterative Training for Large Multimodal Models 🆕NEW
- 赛道归属: 多模态大模型训练（诊断驱动迭代训练/RL数据闭环）
- 核心创新点: 提出DPE，用诊断评测暴露能力盲点，并据此动态生成/筛选训练信号与强化反馈，替代静态数据与固定训练配方。方法突破在于把“测试驱动的错误暴露—针对性纠错—迭代进化”做成闭环训练流程，实现更定向的能力补齐。
- 一句话总结: DPE让多模态大模型训练从“堆数据”走向“按盲点进化”，更高效地提升复杂推理与决策能力。

[2026-02-26] PhotoAgent: Agentic Photo Editing with Exploratory Visual Aesthetic Planning 🆕NEW
- 赛道归属: 图像编辑（智能体式编辑/自动审美规划）
- 核心创新点: 提出PhotoAgent，将指令式编辑升级为“可探索的审美规划+执行”的agent流程：自动分解编辑目标、规划步骤与顺序，并在视觉审美维度上进行探索式方案选择，减少用户对高质量prompt与流程编排的依赖。方法突破在于显式引入审美计划层，把多步编辑从单轮指令变为可迭代的策略搜索与工具调用。
- 一句话总结: PhotoAgent把修图从“会用指令”变成“会做规划”，显著降低高质量图像编辑的门槛并提升一致性。

GitHub

[2026-02-27] YouMind-OpenLab/awesome-nano-banana-pro-prompts ⭐8209

[2026-02-27] Dreamy-rain/gemini-business2api ⭐879

OpenAI-compatible API for Gemini Business with multi-account load balancing and image generation | 将 Gemini Business 转为 OpenAI 兼容接口，支持多账户负载均衡与图像生成、视频生...

[2026-02-27] etkecc/baibot ⭐191

[2026-02-27] ramanujammv1988/edge-veda ⭐67

[2026-02-26] erroralex/Latent-Library ⭐55 🆕NEW

视频生成/编辑

arXiv

[2026-02-24] VII: Visual Instruction Injection for Jailbreaking Image-to-Video Generation Models 📖1
- 赛道归属: 视频生成安全（Image-to-Video 越狱/对抗攻击）
- 核心创新点: 揭示I2V模型存在“视觉指令跟随”带来的新型攻击面：攻击者可在参考图像中嵌入隐式视觉指令，从而在不依赖文本提示的情况下诱导视频生成产生恶意/违规意图。提出并系统化“Visual Instruction Injection”威胁范式，用于评估与触发此类跨模态注入式越狱风险。
- 一句话总结: 该工作把I2V模型的安全问题从“文本提示注入”扩展到“图像指令注入”，为视频生成模型的红队评测与防护提供了新的关键基准方向。

[2026-02-26] ColoDiff: Integrating Dynamic Consistency With Content Awareness for Colonoscopy Video Generation 🆕NEW
- 赛道归属: 医学视频生成（扩散模型/可控生成）
- 核心创新点: 提出基于扩散模型的ColoDiff，将“动态一致性”与“内容感知”的生成目标显式结合，以在复杂肠道形变、病灶多样性与多成像模态下同时保证时序稳定与临床属性可控。通过面向结肠镜场景的结构/内容约束设计，提升生成视频的可诊断信息密度与可控性。
- 一句话总结: 在数据稀缺的临床场景中，ColoDiff以更强的时序一致性与属性控制能力生成高质量结肠镜视频，提升医学数据合成的实用价值。

[2026-02-26] Uni-Animator: Towards Unified Visual Colorization 🆕NEW
- 赛道归属: 图像/视频上色（草图到图像/视频的生成与编辑，DiT）
- 核心创新点: 提出基于Diffusion Transformer的统一框架，同时覆盖图像与视频草图上色，并针对单/多参考的颜色迁移不准与细节丢失，引入“视觉参考增强”以提升参考信息的可用性与高频细节保真。面向视频进一步强化时序一致性，降低大运动场景中的闪烁与运动伪影。
- 一句话总结: Uni-Animator用一个统一的DiT框架把图像与视频草图上色打通，在参考上色精度、细节与时序稳定性上更均衡。

[2026-02-26] The Trinity of Consistency as a Defining Principle for General World Models 🆕NEW
- 赛道归属: 世界模型（视频生成驱动的物理一致性与推理框架）
- 核心创新点: 提出“Consistency Trinity（三位一致性）”作为通用世界模型的定义性原则，用以统一刻画数据驱动视频生成在物理规律学习、可模拟性与可推理性上的关键约束。该工作从原则层面连接视频生成扩展规律与统一多模态模型的架构趋势，为评测与设计世界模型提供可操作的理论坐标系。
- 一句话总结: 该工作用“三位一致性”把世界模型的目标从“能生成”提升到“物理一致、可复现、可推理”的可检验标准。

[2026-02-26] PackUV: Packed Gaussian UV Maps for 4D Volumetric Video 🆕NEW
- 赛道归属: 4D体积视频重建与表示（Gaussian Splatting/视频编码友好）
- 核心创新点: 提出PackUV，用“Packed Gaussian UV Maps”将4D高斯表示映射到可打包的UV空间，在长序列、大运动与遮挡/显隐变化下提升时序一致性与稳定性。关键突破在于让高斯体积视频输出与传统视频编码/传输管线兼容，从表示层面解决存储与流式分发的落地障碍。
- 一句话总结: PackUV把4D高斯体积视频变得更稳定且更“可编码”，推动体积视频从研究走向可规模化存储与传输。

[2026-02-26] UCM: Unifying Camera Control and Memory with Time-aware Positional Encoding Warping for World Models 🆕NEW
- 赛道归属: 世界模型/视频生成（相机控制 + 长时记忆一致性）
- 核心创新点: 提出UCM，通过“时间感知的位置编码扭曲”在生成过程中统一相机控制与记忆机制，使模型在场景被重复访问时保持长期内容一致，并能根据用户输入实现更精确的相机运动控制。相较显式3D重建或直接复用历史帧的方法，该方案在开放场景与细粒度结构上兼顾灵活性与一致性。
- 一句话总结: UCM用时间感知的位置编码变换把“可控相机运动”和“可记忆的世界一致性”统一到同一生成机制中。

[2026-02-26] SPATIALALIGN: Aligning Dynamic Spatial Relationships in Video Generation 🆕NEW
- 赛道归属: 文生视频对齐优化（动态空间关系/偏好优化）
- 核心创新点: 提出SPATIALALIGN作为自我改进框架，面向文本提示中的“动态空间关系”对T2V模型进行对齐增强。方法上采用零阶正则化的DPO进行微调，并设计基于几何的DSR-SCORE作为可优化的反馈信号，从而在不依赖昂贵标注的情况下提升空间关系随时间变化的正确性。
- 一句话总结: SPATIALALIGN用几何评分+偏好优化，让文生视频更可靠地遵守“物体之间如何运动与相对位置如何变化”的文本约束。

[2026-02-26] Denoising as Path Planning: Training-Free Acceleration of Diffusion Models with DPCache 🆕NEW
- 赛道归属: 推理优化（扩散模型采样加速/缓存）
- 核心创新点: 提出DPCache，将扩散去噪过程视为“路径规划”，利用对整条去噪轨迹全局结构的建模来决定缓存复用/预测策略，而非仅用固定或局部自适应步长。该方法训练无关，在保持生成质量的同时减少多步采样的计算开销，适用于图像与视频扩散推理加速。
- 一句话总结: DPCache以“全局轨迹视角”改造缓存加速策略，在无需训练的前提下更高效地加速扩散采样。

[2026-02-26] BetterScene: 3D Scene Synthesis with Representation-Aligned Generative Model 🆕NEW
- 赛道归属: 3D场景生成/新视角合成（稀疏输入 + 扩散先验）
- 核心创新点: 提出BetterScene，利用在海量视频上预训练的Stable Video Diffusion作为强先验，在推理阶段对极稀疏、非受控照片输入进行表示对齐的生成式补全，以提升NVS的视角一致细节恢复并抑制伪影。其方法论重点在于将“视频扩散的时空先验”与3D/NVS表示进行对齐，从而在不增加采集成本的情况下增强真实场景泛化。
- 一句话总结: BetterScene把大规模视频扩散模型的先验迁移到稀疏照片的新视角合成中，显著改善真实场景的细节与一致性。

[2026-02-25] Flow Matching is Adaptive to Manifold Structures 🆕NEW
- 赛道归属: 生成建模理论（Flow Matching/连续归一化流）
- 核心创新点: 从理论与机制层面论证Flow Matching对数据“流形结构”具有自适应性：在高维但低维流形集中的数据分布下，学习到的速度场/ODE采样会自然贴合流形几何，从而解释其训练稳定性与经验性能优势。该工作为在图像/视频等流形数据上的流式生成提供更坚实的理论依据与方法选择指导。
- 一句话总结: 该工作解释了为何Flow Matching在流形数据上更“顺着数据几何走”，为替代扩散的生成路线提供理论支撑。

GitHub

[2026-02-26] hao-ai-lab/FastVideo ⭐3105 🆕NEW

[2026-02-26] NVlabs/LongLive ⭐1069 🆕NEW

[2026-02-26] marcelo-earth/generative-manim ⭐800 🆕NEW

[2026-02-27] YouMind-OpenLab/awesome-seedance-2-prompts ⭐164

[2026-02-26] princepainter/ComfyUI-PainterNodes ⭐68 🆕NEW

语言大模型

arXiv

[2026-02-22] Evaluating the Reliability of Digital Forensic Evidence Discovered by Large Language Model: A Case Study 📖2 🆕NEW
- 赛道归属: 法证AI与LLM可靠性评估（数字取证/证据验证）
- 核心创新点: 提出一套端到端的结构化框架，将“自动化取证工件提取—LLM驱动的语义分析与精炼—基于数字取证知识图谱的交叉验证”串联起来，用可验证的知识约束来评估并提升LLM发现证据的可信度。通过在大规模真实取证镜像数据上实验，系统化暴露LLM在证据发现中的错误模式与可校验边界。
- 一句话总结: 用知识图谱验证把LLM取证从“可用”推进到“可审计、可追责”的证据级可靠性评估范式。

[2026-02-24] An Expert Schema for Evaluating Large Language Model Errors in Scholarly Question-Answering Systems 📖1 🆕NEW
- 赛道归属: LLM评测与可靠性（学术问答/错误分析框架）
- 核心创新点: 构建并验证一套面向“学术问答系统”的专家级错误分类与标注schema，强调领域专家在真实科研语境下对错误的判定维度（而非仅依赖自动指标）。该schema将错误类型与可操作的诊断信号对齐，支持更细粒度地定位幻觉、证据使用不当、推断越界等问题。
- 一句话总结: 为学术场景的LLM问答提供了可复用的“专家视角”错误本体，提升可靠性评估的可解释性与可行动性。

[2026-02-26] Mitigating Legibility Tax with Decoupled Prover-Verifier Games 🆕NEW
- 赛道归属: 推理可验证性与对齐训练（Prover-Verifier/可检查输出）
- 核心创新点: 针对prover-verifier训练带来的“可读性税”——可检查性提升但准确率下降——提出“解题器与翻译器解耦”的博弈训练：先固定追求正确性的solver，再训练translator将其解转写为更易被弱验证器检查的形式，从而把“正确性优化”与“可检查性约束”分离。
- 一句话总结: 通过解耦式翻译器把答案变得更可检而不牺牲正确性，为可验证推理提供了更稳健的训练路径。

[2026-02-26] Agency and Architectural Limits: Why Optimization-Based Systems Cannot Be Norm-Responsive 🆕NEW
- 赛道归属: AI对齐与AI治理理论（规范响应性/代理性边界）
- 核心创新点: 从形式化角度论证：以优化为核心的系统（特别是RLHF训练的LLM）在架构层面无法满足“对规范作出响应”的必要条件，并给出“真正代理性”所需的两条充要架构条件，从而将“能否被规范治理”从经验问题提升为结构性限制问题。
- 一句话总结: 提供了对RLHF类优化系统可治理性的结构性否定论证，为高风险部署中的规范与责任边界划定理论红线。

[2026-02-26] InnerQ: Hardware-aware Tuning-free Quantization of KV Cache for Large Language Models 🆕NEW
- 赛道归属: 推理优化与系统加速（KV Cache量化/硬件感知）
- 核心创新点: 提出InnerQ：一种无需调参/无需微调的KV cache量化方案，显式做硬件感知设计，以降低长序列解码时KV缓存的内存与带宽压力，并以“降低解码延迟”为直接优化目标（而非仅追求信息保真）。方法在不显著损伤生成质量的前提下提升端侧/推理服务的吞吐与时延表现。
- 一句话总结: 用硬件感知、免调参的KV缓存量化把长上下文推理的主要瓶颈从内存侧显著缓解。

[2026-02-26] SC-Arena: A Natural Language Benchmark for Single-Cell Reasoning with Knowledge-Augmented Evaluation 🆕NEW
- 赛道归属: 科学大模型评测（单细胞生物推理/知识增强评估）
- 核心创新点: 提出SC-Arena：面向单细胞生物学推理的自然语言基准，避免碎片化任务与选择题式评测，转向更贴近科研使用的对话/开放式回答；并引入知识增强的评估机制，使评分与生物学事实、可解释依据对齐，从而更能区分“会说”与“会推理/会用证据”。
- 一句话总结: 用更真实的自然语言任务形态与知识增强评分，补齐单细胞领域LLM评测的可解释性与科学有效性。

[2026-02-26] Fine-Tuning Without Forgetting In-Context Learning: A Theoretical Analysis of Linear Attention Models 🆕NEW
- 赛道归属: 理论分析与训练机制（微调-上下文学习冲突/线性注意力）
- 核心创新点: 在“线性注意力模型”设定下对“微调会损害in-context learning(上下文学习)”进行理论刻画，分析微调提升零样本能力的同时为何会削弱对未见任务的示例学习能力，并给出可检验的条件/机制解释，为设计兼顾零样本与ICL的训练策略提供理论依据。
- 一句话总结: 从理论上解释并界定“微调遗忘ICL”的根因，为更稳健的下游适配方法提供可推导的指导。

[2026-02-26] ESAA: Event Sourcing for Autonomous Agents in LLM-Based Software Engineering 🆕NEW
- 赛道归属: LLM智能体工程（软件工程Agent架构/状态管理）
- 核心创新点: 提出ESAA事件溯源架构，将智能体的“状态”从LLM上下文中剥离为可持久化、可回放的事件日志，并以确定性执行层承接工具调用与环境交互，缓解长程任务中的上下文退化与不可复现问题。该设计把概率生成与确定性工作流解耦，提升可调试性、可审计性与可靠执行。
- 一句话总结: 用事件溯源把LLM软件工程智能体变成“可回放、可审计、可工程化”的长期运行系统。

[2026-02-26] MTRAG-UN: A Benchmark for Open Challenges in Multi-Turn RAG Conversations 🆕NEW
- 赛道归属: RAG评测与对话检索（多轮RAG/不可回答与指代问题）
- 核心创新点: 发布MTRAG-UN多轮RAG基准，系统覆盖多轮对话中三类开放难题：不可回答、信息不足、问题非独立及回应不清晰等，并提供配套语料以分离检索与生成误差来源。通过实验揭示现有检索与生成模块在对话语境保持、澄清与拒答策略上的薄弱点。
- 一句话总结: 用面向真实对话失败模式的基准推动多轮RAG从“能答”走向“该拒答/该追问也能做对”。

[2026-02-26] A Decision-Theoretic Formalisation of Steganography With Applications to LLM Monitoring 🆕NEW
- 赛道归属: LLM安全与监控（隐写/对抗性通信检测的形式化）
- 核心创新点: 提出面向隐写的决策论形式化，绕开传统隐写检测对“已知非隐写参考分布”的依赖，适配LLM场景中参考分布不可得的问题；并将该框架用于LLM监控，提供可量化的检测与风险度量思路，用于识别模型可能的隐蔽信道与规避监督行为。
- 一句话总结: 用决策论重建LLM隐写监控的理论地基，使“无参考分布”的隐蔽通信检测成为可定义、可度量的问题。

GitHub

[2026-02-27] sgl-project/sglang ⭐23786

[2026-02-27] NVIDIA/TensorRT-LLM ⭐12956

[2026-02-27] trpc-group/trpc-agent-go ⭐923

[2026-02-27] stardomains3/oxproxion ⭐216 🆕NEW

[2026-02-27] testtimescaling/testtimescaling.github.io ⭐88 🆕NEW

HuggingFace Datasets

[2026-02-26] FINAL-Bench/Metacognitive

FINAL Bench: Functional Metacognitive Reasoning Benchmark

"Not how much AI knows — but whether it knows what it doesn't know, and can fix ...

多模态大模型

arXiv

[2026-02-25] GeoDiv: Framework For Measuring Geographical Diversity In Text-To-Image Models 📖1 🆕NEW
- 赛道归属: 文生图评测与公平性（地理多样性/偏见评估）
- 核心创新点: 提出GeoDiv评测框架，利用大语言模型与视觉-语言模型对T2I生成结果进行“地理语义”层面的可解释评估，避免仅依赖人工标注数据集或表层视觉相似度指标。框架将地理多样性、刻板印象与区域表征偏差转化为可量化、可诊断的评测信号。
- 一句话总结: GeoDiv为文生图模型提供了可解释、可扩展的地理多样性与偏见评估工具，帮助系统性发现“世界表征”失真问题。

[2026-02-24] Inner Speech as Behavior Guides: Steerable Imitation of Diverse Behaviors for Human-AI coordination 📖1 🆕NEW
- 赛道归属: 多模态智能体 / 模仿学习与可控行为生成
- 核心创新点: 将“内在言语”作为显式的行为指导信号，引入到模仿学习中以刻画人类行为的多样性与非马尔可夫（长程依赖）特征。通过在推理时对内在言语进行条件化，实现对同一任务下不同行为风格/策略的可控“转向”。
- 一句话总结: 用可操控的“内在言语”把人类式多样行为注入模仿学习，使人机协作中的策略选择更灵活、可解释、可调控。

[2026-02-26] Large Multimodal Models as General In-Context Classifiers 🆕NEW
- 赛道归属: 多模态理解 / In-context 分类与评测
- 核心创新点: 系统性论证并基准评测：大多模态模型不仅适合复杂推理任务，也能作为通用的 in-context 分类器用于闭集分类。通过在多数据集设置下对比CLIP类对比学习VLM与LMM的ICL能力，揭示LMM在“示例驱动分类”范式中的适用边界与优势来源。
- 一句话总结: 重新定位LMM在分类任务中的角色：它们可作为通用 in-context 分类器，而不只是“复杂任务专用”。

[2026-02-26] MovieTeller: Tool-augmented Movie Synopsis with ID Consistent Progressive Abstraction 🆕NEW
- 赛道归属: 视频理解与生成式摘要 / 长视频剧情梗概生成
- 核心创新点: 提出工具增强的电影梗概生成框架，通过“ID一致性（角色/实体一致）”与“渐进抽象”的分层生成策略，把长时序视频从片段级信息逐步抽象为高层叙事。用外部工具/模块辅助检索、对齐与一致性维护，缓解通用VLM在长视频中常见的角色混淆、事件断裂与时间跨度失忆问题。
- 一句话总结: 通过工具增强与分层抽象叙事，实现更长程、更一致的电影级视频梗概生成。

[2026-02-26] Cytoarchitecture in Words: Weakly Supervised Vision-Language Modeling for Human Brain Microscopy 🆕NEW
- 赛道归属: 医学多模态 / 显微图像-语言弱监督对齐
- 核心创新点: 面向人脑组织显微图像中“配对图文稀缺”的现实约束，提出弱监督的视觉-语言建模方案，将细胞结构/皮层分层等“细胞构筑”知识以文本形式对齐到显微视觉表征。通过弱标注/间接监督学习可用的图文接口，支持研究者以自然语言进行检索、描述与交互式分析。
- 一句话总结: 在缺少高质量配对标注的脑显微场景中，用弱监督实现可用的图文对齐，为科研工作流提供自然语言入口。

[2026-02-26] SubspaceAD: Training-Free Few-Shot Anomaly Detection via Subspace Modeling 🆕NEW
- 赛道归属: 异常检测 / 小样本工业视觉（训练-free）
- 核心创新点: 提出无需训练的 few-shot 异常检测方法 SubspaceAD：直接在基础视觉模型特征空间中对“正常样本”进行子空间建模，用重构误差/子空间距离实现异常评分。避免记忆库、辅助数据集或VLM调参等复杂组件，强调“用好现成表征即可”的极简范式。
- 一句话总结: 用子空间建模把 few-shot 异常检测做成训练-free、低工程复杂度的强基线。

[2026-02-26] FactGuard: Agentic Video Misinformation Detection via Reinforcement Learning 🆕NEW
- 赛道归属: 多模态智能体 / 视频事实核查与谣言检测（强化学习）
- 核心创新点: 将视频谣言检测建模为“迭代式验证”的智能体问题，引入强化学习来学习何时深入推理、何时调用外部证据与工具，从而克服固定推理深度与“自我假设过度信任”的缺陷。通过可交互的证据搜集-核验-更新流程，提高在证据稀疏/碎片化场景下的鲁棒性与可追溯性。
- 一句话总结: 用RL驱动的核查智能体把视频谣言检测从一次性判断升级为可迭代、可验证的证据推理流程。

[2026-02-26] Can Agents Distinguish Visually Hard-to-Separate Diseases in a Zero-Shot Setting? A Pilot Study 🆕NEW
- 赛道归属: 医学多模态理解 / 零样本诊断与智能体评测
- 核心创新点: 聚焦“视觉上难区分疾病”的零样本诊断这一更贴近临床风险的设定，构建并评测多种智能体在仅影像输入下的区分能力（如黑色素瘤 vs. 非典型痣、肺水肿 vs. 肺炎）。通过代理式推理/工具使用的对比，揭示现有MLLM/agent在细粒度医学辨别上的能力上限与失败模式，为后续数据、提示与验证机制提供依据。
- 一句话总结: 用高难度零样本医学辨别任务对智能体“做压力测试”，明确其临床可用性差距与改进方向。

[2026-02-26] MSJoE: Jointly Evolving MLLM and Sampler for Efficient Long-Form Video Understanding 🆕NEW
- 赛道归属: 长视频理解 / 采样-推理协同优化（效率）
- 核心创新点: 提出 MSJoE，让MLLM与轻量关键帧采样器“联合进化”：基于“每个问题只需少量信息帧”的假设，模型先生成与问题相关的查询/线索，再驱动采样器选择关键帧，反过来用更有效的帧子集提升问答推理效率与性能。通过协同训练/演化机制，把“看哪些帧”和“如何推理”从割裂的两阶段变为闭环优化。
- 一句话总结: 通过联合学习关键帧采样与多模态推理，在长视频问答中实现更高效的“少看但看对”。

[2026-02-26] Where Vision Becomes Text: Locating the OCR Routing Bottleneck in Vision-Language Models 🆕NEW
- 赛道归属: 多模态理解与可解释性（VLM OCR信息路由/因果分析）
- 核心创新点: 通过因果干预定位VLM中OCR信息进入语言流的关键瓶颈：对比原图与“文本抹除/修补”图像的激活差异，系统刻画不同架构中OCR路由的主导层/模块位置。方法突破在于用可操作的反事实输入与激活差分，给出架构相关的可解释“路由瓶颈”诊断。
- 一句话总结: 该工作把VLM“读字能力”从黑箱变为可定位的系统瓶颈，为OCR能力增强与失效排查提供了直接抓手。

GitHub

[2026-02-23] BradyFU/Awesome-Multimodal-Large-Language-Models ⭐17365

[2026-02-25] xjywhu/Awesome-Multimodal-LLM-for-Code ⭐207 🆕NEW

[2026-02-26] Roots-Automation/GutenOCR ⭐143 🆕NEW

[2026-02-22] Wang-ML-Lab/multimodal-needle-in-a-haystack ⭐54

[2026-02-23] Yu-xm/ReVision ⭐51

由 Research Daily 自动生成 生成时间: 2026-02-27 02:14:30

↑