多模态大模型

Wan-Weaver: Interleaved Multi-modal Generation via Decoupled Training

Wan-Weaver：通过解耦训练实现交错多模态生成

Jinbo Xing, Zeyinzi Jiang, Yuxiang Tuo, Chaojie Mao, Xiaotang Gai, Xi Chen, Jingfeng Zhang, Yulin Pan, Zhen Han, Jie Xiao, Keyu Yan, Chenwei Xie, Chongyang Zhong, Kai Zhu, Tong Shen, Lianghua Huang, Yu Liu, Yujiu Yang

机构 * Tongyi Lab（通义实验室） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出Wan-Weaver，通过解耦训练实现交错多模态生成，利用文本规划和视觉一致性建模，生成长文本连贯性和视觉一致性。

Comments CVPR 2026 Camera-ready, Webpage: https://doubiiu.github.io/projects/WanWeaver

Omni-Weather: A Unified Multimodal Model for Weather Radar Understanding and Generation

Omni-Weather: 一种统一的多模态模型用于天气雷达理解和生成

Zhiwang Zhou, Yuandong Pu, Xuming He, Yidi Liu, Yixin Chen, Junchao Gong, Xiang Zhuang, Wanghan Xu, Qinglong Cao, Shixiang Tang, Yihao Liu, Wenlong Zhang, Lei Bai

机构 * Tongji University（同济大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； UCLA（加州大学洛杉矶分校） 纠错

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

AI总结 Omni-Weather通过统一架构整合天气生成与理解，采用共享自注意力机制和因果推理数据集提升生成质量与可解释性，实验显示其在天气生成和理解上达到最新水平。

Spectral-Aware Text-to-Time Series Generation with Billion-Scale Multimodal Meteorological Data

具有十亿级多模态气象数据的频谱感知文本到时间序列生成

Shijie Zhang

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，沈阳，中国） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)；cross-modal(abstract)

AI总结 本文提出MTransformer模型，通过频谱提示生成器实现文本到时间序列的精确语义控制，利用大规模气象数据提升生成质量与跨模态对齐精度。

Comments Accepted By IJCNN 2026 (WCCI)

ImAgent: A Unified Multimodal Agent Framework for Test-Time Scalable Image Generation

ImAgent：一种统一的多模态代理框架，用于测试时间可扩展的图像生成

Kaishen Wang, Ruibo Chen, Tong Zheng, Heng Huang

机构 * University of Maryland, College Park（马里兰大学帕克分校） 纠错

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

AI总结 ImAgent通过统一的多模态代理框架，在测试时间实现高效的图像生成扩展，通过内部推理、生成和自评估模块提升图像质量和语义一致性。

Comments 8 tables, 8 figures

AutoCut: End-to-end advertisement video editing based on multimodal discretization and controllable generation

AutoCut：基于多模态离散化和可控生成的端到端广告视频编辑

Milton Zhou, Sizhong Qin, Yongzhi Li, Quan Chen, Peng Jiang

机构 * Tsinghua University（清华大学） ； Kuaishou Technology（快手科技） 纠错

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

AI总结 本文提出AutoCut框架，通过多模态离散化和可控生成实现广告视频编辑，提升一致性和可控性，降低生产成本和迭代时间。

Comments Accepted by CVPR 2026

GEMS: Agent-Native Multimodal Generation with Memory and Skills

GEMS：基于记忆与技能的代理原生多模态生成

Zefeng He, Siyuan Huang, Xiaoye Qu, Yafu Li, Tong Zhu, Yu Cheng, Yang Yang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； CUHK（香港中文大学） 纠错

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

AI总结 GEMS通过引入代理循环、记忆和技能组件，提升多模态生成在复杂指令和专业任务中的性能，使轻量级模型在GenEval2中超越现有最佳模型。

Comments Project Page: https://gems-gen.github.io

DyaDiT: A Multi-Modal Diffusion Transformer for Socially Favorable Dyadic Gesture Generation

DyaDiT：一种多模态扩散变换器，用于生成社会有利的双人手势

Yichen Peng, Jyun-Ting Song, Siyeol Jung, Ruofan Liu, Haiyang Liu, Xuangeng Chu, Ruicong Liu, Erwin Wu, Hideki Koike, Kris Kitani

机构 * Institute of Science Tokyo（东京科学大学） ； UNIST（蔚山科学技术院） ； Shanda AI Research Tokyo（盛大人工智能研究院东京） ； The University of Tokyo（东京大学） 纠错

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

AI总结 DyaDiT通过多模态扩散变换器生成适合社会互动的双人手势，利用双人音频信号和社交上下文令牌，融合双方信息并编码运动先验，实现更自然的交互。

Comments 13 pages, 9 figures

Thinking with Camera: A Unified Multimodal Model for Camera-Centric Understanding and Generation

通过摄像头思考：一个统一的多模态模型用于以摄像头为中心的理解与生成

Kang Liao, Size Wu, Zhonghua Wu, Linyi Jin, Chao Wang, Yikai Wang, Fei Wang, Wei Li, Chen Change Loy

机构 * S-Lab, Nanyang Technological University（南洋理工大学S-Lab） ； SenseTime Research（商汤科技研究院） ； University of Michigan（密歇根大学） ； Max-Planck Institute for Informatics（马克斯·普朗克信息学研究所） 纠错

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

AI总结 本文提出Puffin模型，通过将摄像头视为语言，实现以摄像头为中心的多模态理解与生成，结合语言回归和扩散生成，提升空间感知能力，实验表明其在跨视角任务中表现优异。

Comments Accepted by ICLR2026. Project Page: https://kangliao929.github.io/projects/puffin/

Multimodal Graph Network Modeling for Human-Object Interaction Detection with PDE Graph Diffusion

基于PDE图扩散的多模态图网络建模用于人-物交互检测

Wenxuan Ji, Haichao Shi, Xiao-Yu Zhang

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） 纠错

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

AI总结 本文提出基于PDE图扩散的多模态图网络模型，通过四阶段图结构建模人-物交互任务，利用白盒PDE扩散方程实现信息传播，并引入变分信息挤压机制优化CLIP提取的多模态特征，实验表明在HICO-DET和V-COCO基准上取得最佳性能。

Unsafe by Reciprocity: How Generation-Understanding Coupling Undermines Safety in Unified Multimodal Models

因互惠而不安全：生成-理解耦合如何在统一多模态模型中损害安全性

Kaishen Wang, Heng Huang

机构 * University of Maryland, College Park（马里兰大学帕克分校） 纠错

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

AI总结 研究探讨了统一多模态模型中生成与理解之间的互惠关系可能成为安全漏洞的根源，提出RICE攻击方法，揭示了跨功能互惠对安全性的负面影响。

Comments 7 figures, 3 tables

ParaUni: Enhance Generation in Unified Multimodal Model with Reinforcement-driven Hierarchical Parallel Information Interaction

ParaUni: 通过强化驱动的分层并行信息交互增强统一多模态模型的生成

Jiangtong Tan, Lin Liu, Jie Huanng, Xiaopeng Zhang, Qi Tian, Feng Zhao

机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, University of Science and Technology of China（中国科学技术大学，教育部类脑智能感知与认知重点实验室） ； Huawei Inc.（华为技术有限公司） 纠错

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

AI总结 ParaUni通过并行提取多层视觉语言模型特征并结合强化学习动态调整机制，提升统一多模态模型的生成能力。

MM-DADM: Multimodal Drug-Aware Diffusion Model for Virtual Clinical Trials

MM-DADM：多模态药物感知扩散模型用于虚拟临床试验

Qian Shao, Bang Du, Zepeng Li, Qiyuan Chen, Jiahe Chen, Hongxia Xu, Jimeng Sun, Jian Wu, Jintai Chen

机构 * Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)

AI总结 本文提出MM-DADM，一种多模态药物感知扩散模型，用于生成个性化药物诱导ECG。通过动态交叉注意模块融合外部物理知识，解决形态真实性和病理灵活性的平衡问题，并利用因果特征编码器提取纯药理表示，提升模拟准确性和召回率。

Comments Under review

FlexiCup: Wireless Multimodal Suction Cup with Dual-Zone Vision-Tactile Sensing

FlexiCup: 无线多模态吸盘 with 双区视觉-触觉感知

Junhao Gong, Shoujie Li, Kit-Wa Sou, Changqing Guo, Hourong Huang, Tong Wu, Yifan Xie, Chenxin Liang, Chuqiao Lyu, Xiaojun Liang, Wenbo Ding

机构 * Shenzhen Ubiquitous Data Enabling Key Lab, Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，深圳泛在数据赋能重点实验室） ； Peng Cheng Laboratory（鹏城实验室） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)

AI总结 FlexiCup通过无线电子集成双区视觉-触觉传感，实现接触感知操控，验证了传感与驱动解耦的有效性，同时在不同气动原理下均表现出色。

Comments Accepted by IEEE Robotics and Automation Letters (RA-L)

Gated Condition Injection without Multimodal Attention: Towards Controllable Linear-Attention Transformers

门控条件注入无需多模态注意：迈向可控的线性注意变换器

Yuhe Liu, Zhenxiong Tan, Yujia Hu, Songhua Liu, Xinchao Wang

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

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

AI总结 本文提出基于线性注意架构的可控扩散模型，解决现有方法在多类型条件输入灵活性和收敛速度上的不足，通过统一门控条件模块实现高效可控生成。

AffordGrasp: Cross-Modal Diffusion for Affordance-Aware Grasp Synthesis

AffordGrasp：跨模态扩散用于感知意识抓取合成

Xiaofei Wu, Yi Zhang, Yumeng Liu, Yuexin Ma, Yujiao Shi, Xuming He

机构 * ShanghaiTech University（上海科技大学） ； Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程技术研究中心） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 本文提出AffordGrasp，通过跨模态扩散模型生成准确反映物体几何和用户指令的抓取姿态，提升AR/VR和具身AI中的手-物交互质量。

Comments CVPR 2026

Securing the Skies: A Comprehensive Survey on Anti-UAV Methods, Benchmarking, and Future Directions

守护天空：反无人机方法的全面调查、基准测试与未来方向

Yifei Dong, Fengyi Wu, Sanjian Zhang, Guangyu Chen, Yuzhi Hu, Masumi Yano, Jingdong Sun, Siyu Huang, Feng Liu, Qi Dai, Zhi-Qi Cheng

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

AI总结 本文综述了反无人机领域，探讨了分类、检测与跟踪等核心方法，分析了数据合成、多模态融合等新兴技术，并指出实时性能、 stealth 检测等领域的不足，旨在推动下一代防御策略的发展。

Comments Accepted to CVPR 2025 Anti-UAV Workshop (Best Paper Award), 16 pages

Generalizable Detection of AI Generated Images with Large Models and Fuzzy Decision Tree

基于大模型和模糊决策树的AI生成图像通用检测

Fei Wu, Guanghao Ding, Zijian Niu, Zhenrui Wang, Lei Yang, Zhuosheng Zhang, Shilin Wang

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

AI总结 本文提出结合轻量级特征感知检测器与大模型的模糊决策树框架，提升AI生成图像检测的准确性和泛化能力。

LogiStory: A Logic-Aware Framework for Multi-Image Story Visualization

LogiStory: 一个多图像故事可视化逻辑感知框架

Chutian Meng, Fan Ma, Chi Zhang, Jiaxu Miao, Yi Yang, Yueting Zhuang

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

AI总结 本文提出LogiStory框架，通过显式建模视觉逻辑提升多图像故事可视化中的叙事逻辑与视觉质量，引入多智能体系统和LogicTale基准测试集进行评估。

Chain of Event-Centric Causal Thought for Physically Plausible Video Generation

基于事件中心因果推理的物理合理视频生成

Zixuan Wang, Yixin Hu, Haolan Wang, Feng Chen, Yan Liu, Wen Li, Yinjie Lei

机构 * Sichuan University（四川大学） ； The University of Adelaide（阿德莱德大学） ； Hong Kong Polytechnic University（香港理工大学） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

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

AI总结 本文提出基于事件链的因果推理和跨模态提示模块，用于生成物理合理视频，通过物理公式约束和时间对齐提示提升视频生成的因果连贯性与物理合理性。

Comments Accepted by CVPR2026

The Quest for Generalizable Motion Generation: Data, Model, and Evaluation

可泛化动作生成的探索：数据、模型与评估

Jing Lin, Ruisi Wang, Junzhe Lu, Ziqi Huang, Guorui Song, Ailing Zeng, Xian Liu, Chen Wei, Wanqi Yin, Qingping Sun, Zhongang Cai, Lei Yang, Ziwei Liu

机构 * Nanyang Technological University（南洋理工大学） ； SenseTime Research（商汤科技研究院） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； NVIDIA Research（英伟达研究院） 纠错

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

AI总结 本文提出一个综合框架，通过数据、建模和评估三大支柱将视频生成知识迁移至动作生成，引入大规模数据集和改进模型，提升动作生成的泛化能力。

Comments Homepage: https://motrixlab.github.io/2026_iclr_vimogen

Corruption-Aware Training of Latent Video Diffusion Models for Robust Text-to-Video Generation

面向鲁棒文本到视频生成的潜变量视频扩散模型腐蚀感知训练

Chika Maduabuchi, Hao Chen, Yujin Han, Jindong Wang

机构 * William & Mary（威廉与玛丽学院） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 本文提出CAT-LVDM框架，通过结构化噪声注入提升视频扩散模型的鲁棒性，实验显示其在多个数据集上优于传统方法，且能扩展至自回归生成和多模态视频理解模型。

Comments ICLR 2026 ReALM-GEN

Liquid Networks with Mixture Density Heads for Efficient Imitation Learning

具有混合密度头的液体网络用于高效模仿学习

Nikolaus Correll

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

专题命中 多模态生成 ：multimodal(abstract)

AI总结 本文比较了具有混合密度头的液体网络与扩散策略在多个任务中的性能，发现液体网络参数更少、预测误差更低且推理更快，且在样本效率实验中表现更稳健。

Boosting multi-view association testing via devariation

通过去变异提升多视图关联检验

Ruyi Pan, Yinqiu He, Jun Young Park

专题命中 多模态生成 ：multimodal(abstract)

AI总结 本文提出去变异方法，通过惩罚低秩因子模型捕捉视图内依赖，提升统计功效，验证了其在多模态神经影像数据中的有效性。

Topological Motion Planning Diffusion: Generative Tangle-Free Path Planning for Tethered Robots in Obstacle-Rich Environments

拓扑运动规划扩散：用于缆绳机器人在障碍密集环境中的生成无纠缠路径规划

Yifu Tian, Xinhang Xu, Thien-Minh Nguyen, Muqing Cao

专题命中 多模态生成 ：multimodal(abstract)

AI总结 本文提出TMPD框架，结合终身拓扑记忆，通过扩散模型生成可行轨迹候选，并利用拓扑后端过滤优化，实现无碰撞和无纠缠的高效路径规划。

AG-VAS: Anchor-Guided Zero-Shot Visual Anomaly Segmentation with Large Multimodal Models

AG-VAS：基于大多模态模型的锚引导零样本视觉异常分割

Zhen Qu, Xian Tao, Xiaoyi Bao, Dingrong Wang, ShiChen Qu, Zhengtao Zhang, Xingang Wang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Casivision（中科视语） ； Weiqiao-UCAS Science and Technology Park（魏桥国科科技园） 纠错

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

AI总结 AG-VAS通过引入三个可学习的语义锚点，建立统一的锚引导分割范式，提升零样本视觉异常分割的精度与性能。

Beyond Textual Knowledge-Leveraging Multimodal Knowledge Bases for Enhancing Vision-and-Language Navigation

超越文本知识的多模态知识库用于增强视觉-语言导航

Dongsheng Yang, Yinfeng Yu, Liejun Wang

机构 * School of Computer Science and Technology, Xinjiang University（新疆大学计算机科学与技术学院） ； Joint International Research Laboratory of Silk Road Multilingual Cognitive Computing（丝绸之路多语言认知计算联合国际研究实验室） 纠错

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

AI总结 本文提出BTK框架，通过整合环境特定文本知识与生成图像知识库，提升视觉-语言导航中的语义 grounding 和跨模态对齐，实验表明在R2R和REVERIE数据集上性能显著提升。

Comments Main paper (37 pages). Accepted for publication by the Information Processing and Management,Volume 63,Issue 6,September 2026,104766

Synergizing Discriminative Exemplars and Self-Refined Experience for MLLM-based In-Context Learning in Medical Diagnosis

融合判别示例与自我优化经验的医学诊断基于MLLM的上下文学习

Wenkai Zhao, Zipei Wang, Mengjie Fang, Di Dong, Jie Tian, Lingwei Zhang

机构 * CAS Key Laboratory of Molecular Imaging, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所分子影像重点实验室） ； School of Software, North University of China（中北大学软件学院） 纠错

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

AI总结 本文提出Clinician Mimetic Workflow框架，结合判别示例核心集选择与自我优化经验总结，提升医学诊断中基于MLLM的上下文学习性能，超越零样本通用和医疗MLLM，并接近全监督视觉模型。

Pharos-ESG: A Framework for Multimodal Parsing, Contextual Narration, and Hierarchical Labeling of ESG Report

Pharos-ESG：一种用于多模态解析、上下文叙述和分层标注ESG报告的框架

Yan Chen, Yu Zou, Jialei Zeng, Haoran You, Xiaorui Zhou, Aixi Zhong

机构 * Southwestern University of Finance and Economics（西南财经大学） 纠错

专题命中 多模态评测 ：multimodal(title,abstract)；multi-modal(abstract)；分类 cs.AI

AI总结 本文提出Pharos-ESG框架，通过多模态解析、上下文叙述和分层标注解决ESG报告中布局混乱和隐含层级的问题，实现结构化表示，并发布Aurora-ESG数据集以支持金融治理决策。

Omni-Modal Dissonance Benchmark: Systematically Breaking Modality Consensus to Probe Robustness and Calibrated Abstention

多模态不和谐基准：系统性打破模态共识以探测鲁棒性及校准的回避

Zabir Al Nazi, Shubhashis Roy Dipta, Md Rizwan Parvez

机构 * University of California, Riverside（加州大学河滨分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Qatar Computing Research Institute (QCRI)（卡塔尔计算研究所） 纠错

专题命中 多模态评测 ：omni-modal(title,abstract)；cross-modal(abstract)

AI总结 本文提出OMD-Bench，通过系统性破坏多模态一致性来评估模型的鲁棒性和校准能力，发现模型在模态冲突时存在过度回避或严重回避的问题，且链式推理提示虽提升回避一致性，但加剧了过度自信。

MiroEval: Benchmarking Multimodal Deep Research Agents in Process and Outcome

MiroEval: 多模态深度研究代理的流程与成果评估基准

Fangda Ye, Yuxin Hu, Pengxiang Zhu, Yibo Li, Ziqi Jin, Yao Xiao, Yibo Wang, Lei Wang, Zhen Zhang, Lu Wang, Yue Deng, Bin Wang, Yifan Zhang, Liangcai Su, Xinyu Wang, He Zhao, Chen Wei, Qiang Ren, Bryan Hooi, An Bo, Shuicheng Yan, Lidong Bing

机构 * MiroMind Team（MiroMind团队） 纠错

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

AI总结 MiroEval通过100个真实需求任务评估多模态深度研究代理的流程与成果，揭示系统在适应性合成、事实验证和过程审计方面的差异，证明流程质量对整体表现的预测作用。

Comments GitHub: https://github.com/MiroMindAI/MiroEval