SCOPE-4D：内窥镜 4D 几何基础模型
SCOPE-4D 是一个内窥镜 4D 几何基础模型，可从单目 RGB 视频单次前向推理中联合预测相机参数、稠密几何与 3D 组织轨迹。团队构建了约 5,000 段真实与合成胃肠内窥镜及腹腔镜视频的 SCOPE-5K 数据集，并提出 Common–Residual Motion（CRM）约束局部形变。在公开及新采集基准上，该模型展现出更强的域内外几何估计、3D 跟踪与长序列结肠重建稳定性。
#多模态
arXiv cs.CVAI 评分2424 arXiv cs.LGAI 评分2222 SF-MOPD：慢-快多教师在线策略蒸馏如何缓解能力干扰
研究提出慢-快多教师在线策略蒸馏（SF-MOPD），通过将学生模型的指数移动平均作为"慢模型"能力参考，在 log-probability 空间剔除使快模型偏离慢模型的分量，保留对齐与正交分量。实验表明，SF-MOPD 在多模型规模上有效缓解能力干扰，增强多模态专业能力，并降低通用能力基准的平均退化，持续优于原版 MOPD。
arXiv cs.CVAI 评分2424 OctLLM：把八叉树作为显式 3D 语言
OctLLM 提出用八叉树占用 token 构成的显式 3D 序列来表示几何，并通过随机清空倒数第二层节点、省略其后代得到更短的 S-Octree，用于位置感知的掩码建模生成与 3D 理解。
arXiv cs.CVAI 评分1818 FiberGeoText：用视觉语言模型实现群体级浅表白质组织
FiberGeoText（FGT）是一种视觉语言模型，可将超高分辨率扩散 MRI 重建的浅表白质（SWM）短程纤维束组织为群体级聚类，它联合表征每条纤维束的三维轨迹、皮层解剖上下文与形状，并用预训练 LLM 编码多种脑区划分方案生成的文本化皮层端点信息。
arXiv cs.CVAI 评分2424 基于仿真的智能体 VLM 框架用于野火监测与报告
研究者提出一种基于仿真的 VLM 框架，可将 2D 野火模拟自动转换为带标注的视频片段，并作为免训练多智能体 VLM 系统的可复用多模态记忆。在留出生成片段上，视频记忆的四标签精确准确率达 51.5%，直接查询 VLM 为 22.6%，纯文本记忆仅 16-17%；完整系统在六个模拟器报告字段上准确率为 77.3%。该框架还通过组件消融、跨生成器测试和三次真实无人机评估验证了检索与报告能力。
arXiv cs.CVAI 评分2222 EviDent-CBCT：非穷尽报告监督下的牙科 CBCT 证据瓶颈式报告生成
EviDent-CBCT 提出一种证据瓶颈式框架，用于在报告监督不完整的情况下从牙科 CBCT 生成报告：解剖感知网络将每次扫描映射为离散的牙级、全局及 tooth-IAC 证据记录，再由牙科逻辑一致性投影与确定性渲染器配合图像盲本地语言模型生成报告。
arXiv cs.CLAI 评分2626 多语言提示词污染下的输出语言混淆：MDI 评测协议揭示幻觉率指标混淆
研究者提出 Multilingual Distractor Interference（MDI）评测协议，在 TruthfulQA 和 TriviaQA 上对五个指令微调 LLM 进行 40,000 次评测。
arXiv cs.AIAI 评分2727 TasteBench：从分子到可持续食品的多模态感官预测基准
多模态基准 TasteBench 发布，用于可持续蛋白的感官预测，包含基于 215 种植物基食品、21K+ 人类评估构建的食品级排序任务（935 个同类别排序对）和覆盖 15K 风味分子的分子级味觉分类任务。
arXiv cs.CV精选AI 评分6262 DeskForge：用桌面环境密集监督训练计算机使用智能体
研究团队提出 DeskForge，一个通过组合和探索真实应用生成大规模监督数据的可控桌面环境，并据此构建了包含 120 万条标注桌面观测、1.597 亿个元素实例的 DeskForge-1M 语料。
推荐理由：论文给出可控桌面环境与 120 万条标注数据，并展示四个视觉语言模型在 GUI 定位基准上的提升幅度。
arXiv cs.CVAI 评分2222 GRAFT：通过持续教师蒸馏扩展凝聚式视觉基础模型
GRAFT 是一个持续多教师蒸馏框架，让统一骨干网络从开放序列的基础模型中逐步获取能力，新增教师时只需一次蒸馏而非全量重蒸馏。它引入 Teacher Specific Readout Tokens 为每个教师提供独立读出，并用 Geometry Agnostic Relational Loss 对齐视觉语言教师。
arXiv cs.CVAI 评分2323 Spatial Memory Intelligence：用理解模型为世界模型赋予长期空间记忆
研究者提出 Spatial Memory Intelligence（SMI），首个系统性地用理解模型为长视频世界模型管理空间记忆的框架。SMI 包含空间聚类、簇内稀疏化、动作感知检索和可靠性感知过滤四项协同原子操作，在多个基线、benchmark 和世界模型骨干上实现了记忆稀疏度、生成稳定性与空间一致性的全面提升。
arXiv cs.CLAI 评分2727 以文本为中心的后训练实现全模态推理：Qwen2.5-Omni-7B 推理得分提升 25.83%
针对全模态大模型音视频联合推理成本高的问题，研究提出以文本为中心的后训练范式：先用纯文本训练做主推理优化，再用缩减数据的原生音视频 RL 精修感知。最佳纯文本配置下，SFT 加 RL 使 Qwen2.5-Omni-7B 九项推理得分的几何均值较基座提升 25.83%，GPU 时长比完整原生音视频路线少 56.6%。
arXiv cs.CVAI 评分2727 多模态大模型为何"看得见却说得出用不上"：SpaceConflict 基准与 OSS 监督方法
多模态大模型能正确报告空间事实，却未必在后续推理中使用该事实。研究者提出 SpaceConflict 基准，含 23,196 条输入，覆盖 L1 局部事实绑定到 L4 变换下状态判断四个层级，揭示"可用性—利用率"鸿沟：Qwen3.5-9B 在 100 条正确恢复初始状态的序列中有 50 条无法完成完整变换，显式提供状态可修复全部 50 条。
arXiv cs.CLAI 评分2222 研究评估 ChatGPT、Claude、Gemini 和 Llava 在违反 Grice 准则的 VQA 任务中的表现
一项研究用 VLM 生成添加非必要、歧义或虚假信息的提问修饰语，评估 ChatGPT、Claude、Gemini 和 Llava 在违反 Grice 准则时的 VQA 表现，结果显示这些模型性能均下降。研究还对比了人类与 VLM 的语用推理差异，以及 VLM 处理人类诱导与 AI 生成违规时的推理差异。人类解决 VLM 诱导违规的认知投入更低，但 VLM 自身在此类情况下准确率更差。
arXiv cs.CVAI 评分2727 EditHero：面向长程部件级 3D 编辑与 Vibe Modeling 的基准
研究者推出 EditHero，据称是首个面向长程、部件级 3D 编辑的基准，支持自然语言指令与几何、纹理的目标图像。其确定性装配引擎可在每次编辑后生成精确目标，每条序列均经人工审核。对比显示，非智能体方法常漏改并扰动应保持不变的区域，而 LLM/VLM 智能体通过代码自底向上编辑，指令遵循更好、更能保留未编辑部分，但每次编辑耗时数分钟。
arXiv cs.AIAI 评分3232 ProWAM：渐进式视觉规划的世界动作模型，在 LIBERO-Plus 与 RoboTwin 刷新 SOTA
ProWAM 是一种渐进式世界动作模型，通过联合预测动作与有序稀疏视觉子目标，为动作生成提供显式视觉引导。它在 LIBERO-Plus 上达到 85.8%、随机化 RoboTwin 上达到 75.7%，相对最强基线提升最高 +35.9%；零样本真实场景成功率为 70.0%，较基线 55.0% 提升 +15.0。
arXiv cs.CVAI 评分2222 通过核典型相关分析重新审视 VLM 的视觉表征增强
研究提出基于核典型相关分析（KCCA）的特征子空间对齐方法，并扩展为三视图 3vKCCA，将预训练文本编码器的投影纳入统一优化框架联合对齐。在 ImageNet-1K 上使用 CLIP ViT-L/14，3vKCCA 将 MMVP-VLM 准确率从 17.8 提升至 25.9，同时保持零样本图文检索性能。
arXiv cs.AIAI 评分1212 THPL：面向 RAS 虹鳟投喂管理的视觉到语言决策支持框架
研究提出 THPL 生成式投喂决策框架，用于 RAS 虹鳟养殖：Fishsort 提取轨迹并建立活动系数 AC，与专家标注投喂强度呈显著单调正相关（Spearman ρ = 0.925，p < 0.001）。
arXiv cs.CVAI 评分2727 Physical AI Smart Spaces：面向智能空间多摄像头 3D 感知的大规模基准
Physical AI Smart Spaces 发布，这是首个同时提供大规模、多类别、多摄像头 3D 感知数据的室内智能空间基准，含近 1800 台摄像头拍摄的超 280 小时同步 1080p 视频，覆盖仓库、医院、零售等场景。
arXiv cs.CVAI 评分1212 4DFEID：4D 面部表情强度数据集发布
研究者构建了 4D 面部表情强度数据集 4DFEID，基于参数化人脸模型生成 2,869 条网格序列，并通过众包平台收集超过 90,000 条 Likert 量表主观强度评分。基线实验显示，时空图模型在片段强度估计上持续优于传统帧聚合方法。该数据集以动态 3D 刺激替代现有 2D 静态图像，为情感计算与人机交互中的表情强度感知研究提供资源。
arXiv cs.CLAI 评分1717 多模态声明验证对 LLM 改写有多鲁棒？
研究测试了 11 个开源权重模型（覆盖 5 个 VLM 家族、2B 至 38B 参数）在多模态声明验证任务中对 LLM 改写的鲁棒性。结果显示多数模型准确率无显著下降，但概率出现一致性偏移：对冲类改写几乎在所有模型上引发显著偏移，增强类效果较弱，语法纠错等常规润色几乎无影响。
arXiv cs.CVAI 评分2424 MeshQuery：用智能体做 UV 展开的接缝规划
MeshQuery 是一种免训练的智能体式自动 UV 展开方法，由 VLM 借助边选择工具规划符合艺术家习惯的接缝，并通过反馈循环迭代优化。在 Adobe Substance 3D 和 Toys4K 网格上，其生成的 chart 数量比最强基线少 2.9x/4.29x，接缝长度短 1.63x/1.7x，专业艺术家在 80.9% 的对比中更偏好其结果。
arXiv cs.CVAI 评分2222 SymRegFlow：面向视频世界模型的对称正则化流匹配
SymRegFlow 是一个对称正则化流匹配框架，可在无新视角 RGB 真值监督的情况下，实现连续视角下的多视角一致视频生成。该方法通过几何变换将源视图转为带噪锚点，结合掩码双锚点监督与跨锚点去噪输出一致性来抑制锚点误差，并在仿射高斯代理下证明一致性正则化可恢复干净参考最优解。
Microsoft ResearchAI 评分4141 MindTopo 揭示多模态大模型的空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通性、封闭、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，且整体远低于人类水平。图像与视频生成仅在单帧内保留拓扑关系时有用，跨多步操作仍不可靠。