多模态大模型

UFVideo: Towards Unified Fine-Grained Video Cooperative Understanding with Large Language Models

UFVideo：迈向统一的细粒度视频协作理解的大型语言模型

Hewen Pan, Cong Wei, Dashuang Liang, Zepeng Huang, Pengfei Gao, Ziqi Zhou, Lulu Xue, Pengfei Yan, Xiaoming Wei, Minghui Li, Shengshan Hu

机构 * Huazhong University of Science and Technology（华中科技大学） ； Meituan（美团） 纠错

专题命中 视频多模态 ：multi-modal(abstract)；分类 cs.CV

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

ViDiC: Video Difference Captioning

ViDiC：视频差异描述

Jiangtao Wu, Shihao Li, Zhaozhou Bian, Jialu Chen, Runzhe Wen, An Ping, Yiwen He, Jiakai Wang, Yuanxing Zhang, Jiaheng Liu

机构 * NJU-LINK Team, Nanjing University（南京大学NJU-LINK团队） ； Kling Team, Kuaishou Technology（快手科技Kling团队） 纠错

专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出ViDiC任务及ViDiC-1K数据集，旨在评估多模态大语言模型对视频对相似性与差异性的细粒度描述能力，揭示现有模型在比较描述和差异感知上的性能差距。

Delay Bound Relaxation with Deep Learning-based Haptic Estimation for Tactile Internet

基于深度学习的触觉估计用于触觉互联网的延迟放宽

Georgios Kokkinis, Alexandros Iosifidis, Qi Zhang

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 本文提出一种基于深度学习的触觉估计方法，通过多模态输入估计力反馈，从而放宽触觉互联网中对延迟的要求，提高资源利用效率和可靠性。

Comments 6 pages, 6 figures, 1 table, conference paper accepted in GLOBECOM2025

GEM: Guided Expectation-Maximization for Behavior-Normalized Candidate Action Selection in Offline RL

GEM：用于离线强化学习中行为归一化的候选动作选择的引导期望最大化

Haoyu Wang, Jingcheng Wang, Shunyu Wu, Xinwei Xiao

机构 * School of Automation and Intelligent Sensing（自动化与智能感知学院） 纠错

专题命中 视频多模态 ：multimodal(abstract)

AI总结 GEM通过引导期望最大化框架，在离线强化学习中实现多模态且可控的动作选择，通过高斯混合模型和行为归一化支持提升决策稳定性与性能。

SG-VLA: Learning Spatially-Grounded Vision-Language-Action Models for Mobile Manipulation

SG-VLA：学习空间接地的视觉-语言-动作模型用于移动操作

Ruisen Tu, Arth Shukla, Sohyun Yoo, Xuanlin Li, Junxi Li, Jianwen Xie, Hao Su, Zhuowen Tu

机构 * UC San Diego（南加洲大学） ； Lambda, Inc（Lambda公司） 纠错

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 本文提出SG-VLA模型，通过辅助任务协同训练和多模态输入增强，提升移动操作中视觉-语言-动作模型的空间感知与表征能力，实现在家庭环境中更高效的物体抓取与操作。

Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference

跨切片知识迁移 via 遮蔽多模态异质图对比学习用于空间基因表达推断

Zhiceng Shi, Changmiao Wang, Jun Wan, Wenwen Min

机构 * Yunnan University（云南大学） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） ； Zhongnan University of Economics and Law（中南财经政法大学） 纠错

专题命中 跨模态检索 ：multi-modal(title,abstract)；分类 cs.CV

AI总结 本文提出SpaHGC模型，通过多模态异质图对比学习，结合局部空间上下文和跨切片相似性，提升空间基因表达预测精度，优于现有九种方法。

Comments Accepted by CVPR-2026

Efficient and High-Fidelity Omni Modality Retrieval

高效且高保真的多模态检索

Chuong Huynh, Manh Luong, Abhinav Shrivastava

机构 * University of Maryland, College Park, USA（美国马里兰大学 College Park 分校） ； Monash University（墨尔本大学） 纠错

专题命中 跨模态检索 ：multimodal(abstract)；audio-visual(abstract)；omni-modal(abstract)；分类 cs.CV、cs.CL

AI总结 本文提出OmniRet模型，解决多模态检索中的计算效率与表示保真度问题，通过注意力机制和改进的池化方法提升三模态（文本、视觉、音频）检索性能，并引入新的音频中心多模态基准测试。

Comments CVPR 2026. Project page: https://hmchuong.github.io/omniret

Avoiding Over-smoothing in Social Media Rumor Detection with Pre-trained Propagation Tree Transformer

通过预训练传播树Transformer避免社交媒体谣言检测中的过平滑问题

Chaoqun Cui, Caiyan Jia

机构 * Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence（北京交通大数据挖掘与具身智能重点实验室） 纠错

专题命中 跨模态检索 ：multi-modal(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出基于Transformer的P2T3方法，通过提取传播树中的对话链并引入诱导偏置，解决谣言传播结构中的过平滑问题，实验表明其在多个基准数据集上优于现有方法。

Comments 14 pages, 6 figures

ASK: Adaptive Self-improving Knowledge Framework for Audio Text Retrieval

ASK：适应性自改进知识框架用于音频文本检索

Siyuan Fu, Xuchen Guo, Mingjun Liu, Hongxiang Li, Boyin Tan, Gongxi Zhu, Xianwei Zhuang, Jinghan Ru, Yuxin Xie, Yuguo Yin

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Mohamed Bin Zayed University of Artificial Intelligence（莫扎德人工智能大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） 纠错

专题命中 跨模态检索 ：cross-modal(abstract)；分类 cs.MM、eess.AS

AI总结 ASK框架通过多粒度知识注入和动态精修策略解决音频文本检索中的梯度局部瓶颈和表示漂移不匹配问题，提升稀有长尾概念学习能力。

WISER: Wider Search, Deeper Thinking, and Adaptive Fusion for Training-Free Zero-Shot Composed Image Retrieval

WISER：更广的搜索、更深入的思考和自适应融合用于无训练零样本复合图像检索

Tianyue Wang, Leigang Qu, Tianyu Yang, Xiangzhao Hao, Yifan Xu, Haiyun Guo, Jinqiao Wang

机构 * Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所基础模型研究中心） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； National University of Singapore（新加坡国立大学） ； Wuhan AI Research（武汉人工智能研究院） ； Minzu University of China（民族大学） 纠错

专题命中 跨模态检索 ：multimodal(abstract)；分类 cs.CV

AI总结 WISER通过'检索-验证-细化'流程统一文本到图像和图像到图像检索，显式建模意图和不确定性意识，实现更广泛的搜索和更深入的思考，提升零样本复合图像检索性能。

Comments Accept to CVPR 2026

HUMORCHAIN: Theory-Guided Multi-Stage Reasoning for Interpretable Multimodal Humor Generation

HUMORCHAIN: 基于理论的多阶段推理用于可解释的多模态幽默生成

Jiajun Zhang, Shijia Luo, Ruikang Zhang, Qi Su

机构 * Peking University（北京大学） ； Ocean University of China（海洋大学） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出HUMORCHAIN框架，通过整合视觉语义解析、基于幽默和心理学的推理及细调判别器，实现可解释的多模态幽默生成，实验表明其在人类幽默偏好、Elo/BT评分和语义多样性上优于现有方法。

SIMART: Decomposing Monolithic Meshes into Sim-ready Articulated Assets via MLLM

SIMART: 通过MLLM将单体网格分解为可模拟的关节化资产

Chuanrui Zhang, Minghan Qin, Yuang Wang, Baifeng Xie, Hang Li, Ziwei Wang

机构 * ByteDance Seed（字节跳动种子） ； NTU（国立台湾大学） 纠错

专题命中 多模态生成 ：MLLM(title,abstract)；分类 cs.CV

AI总结 SIMART通过统一的MLLM框架实现部分级分解和运动学预测，减少3D令牌数量，提升多部分组装的保真度，并在PartNet-Mobility和野外AIGC数据集上取得最佳性能，支持物理仿真的机器人模拟。

Sketch2CT: Multimodal Diffusion for Structure-Aware 3D Medical Volume Generation

Sketch2CT：多模态扩散用于结构感知的3D医学体积生成

Delin An, Chaoli Wang

机构 * University of Notre Dame（诺特大学） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV

AI总结 Sketch2CT通过结合用户提供的2D草图和文本描述，利用多模态扩散框架生成结构一致的3D医学体积，提升生成质量与可控性。

UniAVGen: Unified Audio and Video Generation with Asymmetric Cross-Modal Interactions

UniAVGen：基于非对称跨模态交互的统一音频视频生成

Guozhen Zhang, Zixiang Zhou, Teng Hu, Ziqiao Peng, Youliang Zhang, Yi Chen, Yuan Zhou, Qinglin Lu, Limin Wang

机构 * State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； Tencent Hunyuan（腾讯文英） ； Shanghai Jiao Tong University（上海交通大学） ； Renmin University of China（中国人民大学） ； Tsinghua University（清华大学） ； Shanghai AI Lab（上海人工智能实验室） 纠错

专题命中 多模态生成 ：cross-modal(title,abstract)；分类 cs.CV

AI总结 UniAVGen通过非对称跨模态交互机制和双分支联合合成架构，实现了音频视频的统一生成，提升同步精度和语义一致性，实验表明其在较少训练样本下表现更优。

Comments CVPR 2026

Bringing Multi-Modal Multi-Task Federated Foundation Models to Education Domain: Prospects and Challenges

将多模态多任务联邦基础模型引入教育领域：前景与挑战

Kasra Borazjani, Naji Khosravan, Rajeev Sahay, Bita Akram, Seyyedali Hosseinalipour

机构 * University at Buffalo –SUNY, Department of Electrical Engineering（布法罗大学–纽约州立大学，电气工程系） ； Adobe Research（Adobe研究） ； University of California – San Diego, Department of Electrical and Computer Engineering（加州大学圣地亚哥分校，电气与计算机工程系） ； NC State University, Department of Computer Science（北卡罗来纳州立大学，计算机科学系） 纠错

专题命中 多模态生成 ：multi-modal(title,abstract)；分类 cs.AI

AI总结 本文提出多模态多任务联邦基础模型（FedFMs）用于教育领域，旨在解决隐私保护、个性化和公平性问题，同时探讨未来研究方向和开放挑战。

Comments 12 pages, 2 figures

Journal ref Frontiers in Artificial Intelligence, 2025

InterDyad: Interactive Dyadic Speech-to-Video Generation by Querying Intermediate Visual Guidance

InterDyad：通过查询中间视觉指导实现交互式双人语音到视频生成

Dongwei Pan, Longwei Guo, Jiazhi Guan, Luying Huang, Yiding Li, Haojie Liu, Haocheng Feng, Wei He, Kaisiyuan Wang, Hang Zhou

机构 * Baidu Inc.（百度公司） 纠错

专题命中 多模态生成 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 本文提出InterDyad框架，通过查询结构运动指导实现自然交互动态合成，解决双人场景中跨个体依赖和精细行为控制问题，提出交互性注入器、元查询模态对齐机制和角色感知双人高斯指导等方法，提升唇形同步和空间一致性。

Comments Project Page: https://interdyad.github.io/

UniGRPO: Unified Policy Optimization for Reasoning-Driven Visual Generation

UniGRPO：用于推理驱动视觉生成的统一策略优化

Jie Liu, Zilyu Ye, Linxiao Yuan, Shenhan Zhu, Yu Gao, Jie Wu, Kunchang Li, Xionghui Wang, Xiaonan Nie, Weilin Huang, Wanli Ouyang

机构 * The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出UniGRPO框架，通过统一强化学习方法优化文本和图像生成策略，解决多轮交错生成问题，提升生成质量与可扩展性。

Task-Oriented Data Synthesis and Control-Rectify Sampling for Remote Sensing Semantic Segmentation

面向任务的数据合成与控制-校正采样用于遥感语义分割

Yunkai Yang, Yudong Zhang, Kunquan Zhang, Jinxiao Zhang, Xinying Chen, Haohuan Fu, Runmin Dong

机构 * Sun Yat-Sen University（中山大学） ； Tsinghua University（清华大学） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出TODSynth框架，结合多模态扩散变换器和任务反馈驱动的采样策略，提升遥感语义分割数据合成效果，尤其在少样本和复杂场景中表现优异。

Comments Accepted by CVPR 2026

ScaleEdit-12M: Scaling Open-Source Image Editing Data Generation via Multi-Agent Framework

ScaleEdit-12M：通过多智能体框架实现开源图像编辑数据生成的规模化

Guanzhou Chen, Erfei Cui, Changyao Tian, Danni Yang, Ganlin Yang, Yu Qiao, Hongsheng Li, Gen Luo, Hongjie Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； CUHK MMLab（香港中文大学多模态实验室） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Xiamen University（厦门大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出ScaleEditor框架，通过多智能体方法构建大规模高质量图像编辑数据集，生成ScaleEdit-12M，涵盖23类任务，提升多种编辑模型性能。

From Inpainting to Layer Decomposition: Repurposing Generative Inpainting Models for Image Layer Decomposition

从修复到层分解：重新利用生成修复模型进行图像层分解

Jingxi Chen, Yixiao Zhang, Xiaoye Qian, Zongxia Li, Cornelia Fermuller, Caren Chen, Yiannis Aloimonos

机构 * University of Maryland（马里兰大学） ； Amazon（亚马逊） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV

AI总结 本文提出利用生成修复模型进行图像层分解，通过轻量级微调和多模态上下文融合模块，实现更精确的物体移除和遮挡恢复，提升下游编辑和创意应用的可能性。

Comments Accepted by CVPR 2026

ImmerseGen: Agent-Guided Immersive World Generation with Alpha-Textured Proxies

ImmerseGen：基于代理的沉浸式世界生成与Alpha纹理代理

Jinyan Yuan, Bangbang Yang, Keke Wang, Panwang Pan, Lin Ma, Xuehai Zhang, Xiao Liu, Zhaopeng Cui, Yuewen Ma

机构 * Bytedance（字节跳动） ； Zhejiang University（浙江大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 ImmerseGen通过轻量级几何代理和合成RGBA纹理实现高效沉浸式VR场景生成，结合地形条件纹理和上下文感知纹理生成多样且视觉一致的世界，提升真实感和渲染效率。

Comments Accepted by IEEE VR 2026 and TVCG Special Issue. Project webpage: https://immersegen.github.io

Efficient Hybrid SE(3)-Equivariant Visuomotor Flow Policy via Spherical Harmonics for Robot Manipulation

基于球面谐波的高效混合SE(3)-等变视觉运动流策略用于机器人操作

Qinglun Zhang, Shen Cheng, Tian Dan, Haoqiang Fan, Guanghui Liu, Shuaicheng Liu

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Dexmal 纠错

专题命中 多模态生成 ：multi-modal(abstract)

AI总结 本文提出E3Flow框架，通过球面谐波表示实现高效且稳定的多模态等变学习，提升机器人操作的性能、效率和数据效率。

Comments Accepted by CVPR 2026

Can Language Models Pass Software Testing Certification Exams? a case study

语言模型能否通过软件测试认证考试？一项案例研究

Fitash Ul Haq, Jordi Cabot

专题命中 多模态生成 ：multimodal(abstract)

AI总结 研究评估了60种语言模型在ISTQB认证考试中的表现，探讨LLM在软件测试任务中的能力及考试设计改进建议。

Comments 11 pages, 1 figure

MapForest: A Modular Field Robotics System for Forest Mapping and Invasive Species Localization

MapForest：一种用于森林制图和入侵物种定位的模块化野外机器人系统

Sandeep Zachariah, Francisco Yandun, Sachet Korada, Abhisesh Silwal

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

专题命中 多模态生成 ：multi-modal(abstract)

AI总结 本文提出MapForest，一种模块化机器人系统，利用多模态传感器数据生成GIS-ready的入侵物种地图，通过LiDAR-惯性制图、图像识别和地理参考制图实现精准定位，实验显示其在GNSS间断环境下具有高精度和鲁棒性。

Comments 8 pages, 9 figures. Under review

Pattern block method for generating random numbers : Reformulation and generalization of the Ziggurat method using conditional random variables

模式块方法用于生成随机数：利用条件随机变量重新公式化和推广Ziggurat方法

Kensuke Ishitani

专题命中 多模态生成 ：multimodal(abstract)

AI总结 本文提出模式块方法，扩展Ziggurat方法，用于生成多峰密度函数和多维分布的随机数，并通过实例验证其有效性。

Mitigating Premature Discretization with Progressive Quantization for Robust Vector Tokenization

通过渐进量化缓解早期内离散化以实现鲁棒的向量标记化

Wenhao Zhao, Qiran Zou, Zhouhan Lin, Dianbo Liu

机构 * National University of Singapore, Singapore（新加坡国立大学） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)

AI总结 本文提出渐进量化方法，通过引入量化难度动态作为VQ训练的关键维度，有效引导代码本向扩展良好的流形发展，提升了多模态模型的生成性能和生物序列建模能力。

Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment

Cerebra：一个多学科AI平台用于多模态痴呆症特征化和风险评估

Sheng Liu, Long Chen, Zeyun Zhao, Qinglin Gou, Qingyue Wei, Arjun Masurkar, Kevin M. Spiegler, Philip Kuball, Stefania C. Bray, Megan Bernath, Deanna R. Willis, Jiang Bian, Lei Xing, Eric Topol, Kyunghyun Cho, Yu Huang, Ruogu Fang, Narges Razavian, James Zou

机构 * Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Department of Radiation Oncology, Stanford University（斯坦福大学放射肿瘤科） ； Center for Data Science, New York University（纽约大学数据科学中心） ； J. Crayton Pruitt Family Department of Biomedical Engineering, University of Florida（佛罗里达大学杰·克雷顿·普瑞特家庭生物医学工程系） ； Department of Biomedical Engineering and Informatics, Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校生物医学工程与信息学系） ； Department of Neurology, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院神经科） ； Department of Neuroscience, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院神经科学系） ； UF Health Family Medicine – Haile Plantation（佛罗里达大学健康家庭医学-海莱种植园） ； Department of Family Medicine, Indiana University School of Medicine（印第安纳大学医学院家庭医学系） ； Department of Biostatistics and Health Data Science, Indiana University School of Medicine（印第安纳大学医学院生物统计学与健康数据科学系） ； Scripps Research Translational Institute（斯克里普斯研究转化研究所） ； Courant Institute, New York University（纽约大学柯朗研究所） ； Center for Biomedical Informatics, Regenstrief Institute（再生斯蒂夫研究所生物医学信息中心） ； Center for Cognitive Aging and Memory, McKnight Brain Institute, University of Florida（佛罗里达大学麦金托神经研究所认知衰老与记忆中心） ； Population Health Department, NYU Langone Health（纽约大学兰戈恩健康人口健康部） ； Radiology Department, NYU Langone Health（纽约大学兰戈恩健康放射科） 纠错

专题命中 多模态评测 ：multimodal(title,abstract)；multimodal foundation model(abstract)；分类 cs.CV、cs.AI

AI总结 Cerebra通过多智能体协调处理电子病历、临床笔记和医学影像，提供可视化分析和对话界面，提升临床决策支持的可解释性和鲁棒性。

MERLIN: Building Low-SNR Robust Multimodal LLMs for Electromagnetic Signals

MERLIN：构建低信噪比鲁棒的多模态大语言模型以电磁信号

Junyu Shen, Zhendong She, Chenghanyu Zhang, Yuchuang Sun, Luqing Luo, Dingwei Tan, Zonghao Guo, Bo Guo, Zehua Han, Wupeng Xie, Yaxin Mu, Peng Zhang, Peipei Li, Fengxiang Wang, Yangang Sun, Maosong Sun

机构 * Tsinghua University（清华大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Tianjin University（天津大学） ； Institute of Microelectronics of the Chinese Academy of Sciences（中国科学院微电子研究所） ； HKUST (Guangzhou)（香港科技大学（广州）） ； National University of Defense Technology（国防科技大学） ； Beihang University（北航） ； Beijing Information Science and Technology University（北京信息科技大学） ； Artificial Intelligence Institute of China Electronics Technology Group Corporation（中国电子科技集团人工智能研究院） 纠错

专题命中 多模态评测 ：multimodal(title,abstract)；MLLM(abstract)；分类 cs.CV

AI总结 本文提出MERLIN框架，通过构建EM-100k数据集和EM-Bench基准，解决电磁信号多模态大语言模型在低信噪比环境下的鲁棒性问题，验证了方法在EM-Bench上的领先性能。

From Instructions to Assistance: a Dataset Aligning Instruction Manuals with Assembly Videos for Evaluating Multimodal LLMs

从指令到协助：一个对齐指令手册与装配视频的数据集用于评估多模态大语言模型

Federico Toschi, Nicolò Brunello, Andrea Sassella, Vincenzo Scotti, Mark James Carman

机构 * DEIB, Politecnico di Milano（米兰理工大学DEIB学院） ； KASTEL, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院KASTEL研究所） 纠错

专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.CL、cs.AI

AI总结 本文提出M2AD数据集，用于评估多模态大语言模型在技术任务中的协助能力，探讨其推理、步骤跟踪和指令引用能力。

When Models Judge Themselves: Unsupervised Self-Evolution for Multimodal Reasoning

当模型自我评判：多模态推理的无监督自进化

Zhengxian Wu, Kai Shi, Chuanrui Zhang, Zirui Liao, Jun Yang, Ni Yang, Qiuying Peng, Luyuan Zhang, Hangrui Xu, Tianhuang Su, Zhenyu Yang, Haonan Lu, Haoqian Wang

机构 * OPPO AI Center（OPPO人工智能中心） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； Hefei University of Technology（合肥工业大学） 纠错

专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.AI

AI总结 本文提出一种无监督自进化框架，通过自一致性信号和动态调节机制，在无需人工标注或外部奖励模型的情况下提升多模态推理性能。

Comments 21 pages, 7 figures