大厂专区
VistaGEN: 通过多视角视觉语言推理实现一致的驾驶视频生成与细粒度控制
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Meituan, Inc.（美团） ； Beijing Normal University（北京师范大学）
AI总结 本文提出VistaGEN，通过多视角视觉语言推理实现驾驶视频生成的细粒度控制与时空一致性，引入多视角视觉语言评估器和对象级细化模块，提升长视频生成质量与一致性。
OddGridBench: 暴露多模态大语言模型在细粒度视觉差异敏感性方面的不足
机构 * College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； Shenzhen Technology University（深圳技术大学） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Meituan（美团）
AI总结 本文提出OddGridBench基准，评估多模态大语言模型的视觉差异敏感性，发现其检测能力远低于人类，提出OddGrid-GRPO框架提升模型细粒度视觉辨别能力。
Comments accepted by CVPR 2026
LongCat-Next：将模态词典化为离散标记
机构 * Meituan LongCat Team（美团LongCat团队）
AI总结 LongCat-Next提出了一种统一框架DiNA，通过共享离散空间实现多模态一致建模，引入dNaViT实现任意分辨率的标记化与反标记化，构建出单一自回归目标处理文本、视觉和音频的多模态模型，突破离散视觉建模的性能瓶颈。
Comments LongCat-Next Technical Report
GUIDED: 通过识别、检测和辨别实现细粒度理解的细粒度开放词汇物体检测
机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Meituan（美团） ； GuangDong Province Key Laboratory of Information Security Technology（广东省信息安全技术重点实验室） ； Research Institute, Sun Yat-sen University（中山大学深圳研究院）
AI总结 GUIDED通过分解框架解决细粒度提示中主体与属性的语义纠缠问题，通过分离定位与识别任务提升细粒度开放词汇物体检测性能。
Comments NIPS2025
SEAD：多轮服务对话的自演化代理
机构 * Meituan（美团）
AI总结 SEAD通过自演化机制提升服务对话性能，无需大规模人工标注，实验显示其任务完成率和对话效率均优于开源和商用模型。
MAN++: 用于视觉任务中监督局部学习的动量辅助网络扩展
机构 * Vision Intelligence in MeiTuan（美团视觉智能） ； AttrSense
AI总结 MAN++通过引入动态交互机制和可学习缩放偏置，提升视觉任务中监督局部学习的性能，减少GPU内存消耗并保持与端到端训练相当的精度。
Comments Accepted by TPAMI
GLASS：面向2D-3D配准的几何感知局部对齐与结构同步网络
机构 * School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院） ； Institute of Advanced Technology, University of Science and Technology of China（中国科学技术大学先进技术研究院） ； Meituan Inc（美团）
AI总结 本文提出GLASS网络，通过局部几何增强和图分布一致性模块，解决重复模式下2D-3D配准中的结构不一致问题，提升匹配精度。
Comments Accepted by IEEE Transactions on Circuits and Systems for Video Technology
MACRO：通过结构化长上下文数据推进多参考图像生成
机构 * HKU MMLab（香港大学多媒体实验室） ； Meituan（美团）
AI总结 本文提出MACRO数据集和基准，解决多参考图像生成中参考数量增加导致性能下降的问题，通过结构化长上下文数据提升生成质量。
Comments Project Page: https://macro400k.github.io/
UFVideo：迈向统一的细粒度视频协作理解的大型语言模型
机构 * Huazhong University of Science and Technology（华中科技大学） ； Meituan（美团）
AI总结 UFVideo通过统一多粒度协作理解能力，实现视频理解的全面覆盖，展示了其在多粒度视频任务中的灵活性和优势。
Comments CVPR 2026 Camera Ready, Github Code: https://github.com/Heven-Pan/UFVideo
UAVLight：用于无人机（UAV）场景中抗光照干扰的3D重建基准
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Meituan UAV（美团无人机） ； Beijing University of Chemical Technology（北京化工大学）
AI总结 UAVLight基准通过可控且真实的飞行路径捕获多时段多光照条件下的场景，提供一致几何和校准下的自然光照变化，用于评估抗光照干扰的3D重建方法。
Comments 10 pages, 6 figures
LongCat-Flash-Prover：通过集成工具的强化学习推进原生形式推理
机构 * Meituan（美团）
AI总结 本文提出LongCat-Flash-Prover，一个5600亿参数的混合专家模型，通过集成工具的强化学习提升Lean4中的原生形式推理能力，实现了自动形式化、草图生成和证明三大能力，并通过混合专家迭代框架和分层重要性采样策略提升训练效率。
Comments 43 pages, 5 figures
快速-缓慢思考RM：标量与生成奖励模型的有效整合
机构 * Fudan University（复旦大学） ； Meituan（美团）
AI总结 本文提出F/S-RM，结合快速和缓慢思考机制，提升奖励模型性能并降低计算成本。
PromptHub: 通过局部感知融合、集中和对齐增强多提示视觉上下文学习
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳分校） ； Meituan, Beijing（美团，北京）
AI总结 PromptHub通过局部感知融合、集中和对齐方法提升多提示视觉上下文学习性能，验证了其在多种视觉任务中的优越性及泛化能力。
Comments Accepted to ICLR 2026. 17 pages, 11 figures, and 9 tables
VTC-Bench：通过组合视觉工具链评估代理多模态模型
机构 * PKU（北京大学） ； NTU（国立台湾大学） ； USTC（中国科学技术大学） ； CQU（重庆大学） ； NUDT（南京理工大学） ； CASIA（中国科学院自动化研究所） ； Meituan（美团）
AI总结 VTC-Bench通过组合视觉工具链评估多模态大语言模型的工具使用能力，揭示了当前模型在复杂任务中适应性和多工具组合方面的不足。
CoPRS：从链式思维中学习位置先验以进行推理分割
机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Peng Cheng Laboratory（鹏城实验室） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Meituan, Beijing（北京美团） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 本文提出CoPRS模型，通过多模态链式思维生成可解释的位置先验热图，提升推理分割的可解释性和精度，实验表明其在多个数据集上表现优异。
Comments Accepted to ICLR 2026. 20 pages, 8 figures, 4 tables
M2P：通过Mask-to-Point弱监督学习改进视觉基础模型以实现密集点跟踪
机构 * Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） ； Meituan, Shenzhen, China（美团（深圳，中国）） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系）
AI总结 本文提出M2P学习方法，利用视频对象分割掩码注解改进视觉基础模型，通过局部结构一致性损失、掩码标签一致性损失和掩码边界约束，提升密集点跟踪性能，实验表明其在TAP-Vid-DAVIS基准上优于DINOv2和DINOv3。
GIFT：通过有限温度吉布斯初始化调和后训练目标
机构 * Peking University（北京大学） ； Meituan（美团）
AI总结 本文提出GIFT方法，通过将监督视为有限温度能量势，解决后训练阶段目标不一致问题，实验表明其在强化学习初始化中优于传统SFT及其他基线方法。
ECHO：面向情感恰当且情境感知的交互头生成
机构 * University of Exeter, Exeter, UK（埃克塞特大学） ； Meituan, China（美团） ； College of Computer Science, Nankai University, China（南开大学计算机学院） ； School of Computer Science and Technology, Tongji University, China（同济大学计算机科学与技术学院）
AI总结 本文提出ECHO框架，通过长程上下文理解模块和空间感知解耦交叉注意力模块，提升交互头生成的上下文恰当性和情感合理性，同时改进唇部同步和视觉保真度。
Comments 21 pages, 5 figures
TRUST-SQL：基于工具的多轮强化学习用于未知模式下的文本到SQL
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； State Key Lab of Processors, Institute of Computing Technology, CAS（中国科学院计算技术研究所处理器国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Meituan（美团）
AI总结 本文提出TRUST-SQL，通过工具集成的多轮强化学习解决文本到SQL在未知模式下的问题，通过结构化四阶段协议和Dual-Track GRPO策略提升性能，实验表明在多个基准上取得显著改进。
合成语音情感理解研究
机构 * Northeastern University, China（东北大学） ； Meituan（美团） ； NiuTrans Research（NiuTrans研究院） ； Kunming University of Science and Technology（昆明理工大学）
AI总结 本文系统评估了合成语音上情感识别模型的泛化能力，发现现有模型因合成过程中的语音token预测导致表示不匹配，无法有效捕捉情感特征，且生成式语音模型易忽略非语言线索。
AutothinkRAG: 多模态文档问答中检索增强推理的复杂度感知控制
机构 * Dalian University of Technology（大连理工大学） ； Tsinghua University（清华大学） ； Meituan LongCat Interaction Team（美团LongCat交互团队）
AI总结 本文提出AutoThinkRAG，通过查询复杂度路由器和感知-推理解耦架构，提升多模态文档问答的效率与鲁棒性，实验表明在DocBench和MMLongBench上准确率提升，且降低计算与成本消耗。
用3D思考：从有限视角出发的几何想象引导的空间推理
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Meituan（美团） ； National University of Singapore（新加坡国立大学） ； Beihang University（北航） ； LMMs-Lab（LMMs实验室）
AI总结 本文提出3DThinker框架，通过利用图像中的丰富几何信息实现空间推理，无需3D先验输入或显式标注3D数据，在多个基准测试中优于现有方法。
Comments 25 pages, 17 figures
Journal ref CVPR 2026
MAViD：一种多模态框架用于音频-视觉对话理解和生成
机构 * Tsinghua University（清华大学） ； Meituan（美团）
AI总结 MAViD提出了一种多模态框架，通过Conductor-Creator架构实现音频-视觉对话的理解与生成，结合自回归和扩散模型提升长时多模态内容生成质量。
UniComp：通过信息唯一性重新思考视频压缩
机构 * Meituan Inc.（美团公司） ； Beihang University（北京航空航天大学）
AI总结 UniComp通过信息唯一性驱动的框架，在有限计算资源下提升视频压缩的信息保真度，优于现有方法。
迈向自适应鲁棒大语言模型：通过CoIPO实现内在提示噪声抵抗力
机构 * Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Meituan LongCat Interaction Team（美团LongCat交互团队） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出CoIPO方法，通过对比学习提升大语言模型对提示噪声的内在鲁棒性，实验表明其在NoisyPromptBench上表现优于现有方法。
SAE作为水晶球：可解释特征预测LLM在跨领域迁移性无需训练
机构 * State Key Lab of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（通用人工智能国家重点实验室，智能科学与技术学院，北京大学） ； Meituan（美团） ； Amazon AGI SF Lab（亚马逊人工智能SF实验室） ； Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学）
AI总结 本文提出基于SAE的迁移性评分（STS），通过识别模型偏移维度预测LLM在跨领域迁移性，无需训练即可评估迁移性能。
AMemGym：用于长时对话中助手的交互式记忆基准测试
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Meituan（美团）
AI总结 AMemGym通过交互式环境实现长时对话中助手的内存管理优化，揭示现有内存系统性能差距并推动策略自我进化。
Comments Accepted to ICLR 2026
回望以推导前行：用于长上下文LLM代理的可回溯记忆
机构 * University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） ； DP Technology（DP科技） ； Meituan（美团）
AI总结 ReMemR1通过整合记忆检索机制和多级奖励设计，提升长上下文问答任务的推理能力与效率。
沉默法官：通过潜在几何聚类的自我验证强化学习
机构 * Meituan（美团） ； Peking University（北京大学） ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 本文提出Latent-GRPO框架，通过潜在空间几何聚类生成内在奖励，提升大语言模型推理性能并加速训练过程。
U-Mind：一种实时光学交互的统一框架
机构 * Tsinghua University（清华大学） ； Meituan（美团）
AI总结 U-Mind 提出了一种统一框架，通过实时生成和多模态联合建模，实现高效且连贯的多模态交互，推动智能对话代理的发展。
Comments Accepted to CVPR 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈