多模态大模型

AMO-ENE: Attention-based Multi-Omics Fusion Model for Outcome Prediction in Extra Nodal Extension and HPV-associated Oropharyngeal Cancer

AMO-ENE：基于注意力的多组学融合模型用于外周淋巴结扩展和人乳头瘤病毒相关口咽癌的预后预测

Gautier Hénique, William Le, Gabriel Dayan, Coralie Brodeur, Kristoff Nelson, Apostolos Christopoulos, Edith Filion, Phuc-Felix Nguyen-Tan, Laurent Letourneau-Guillon, Houda Bahig, Samuel Kadoury

机构 * Centre de recherche du CHUM (CRCHUM)（蒙特利尔大学医疗中心研究中心 (CRCHUM)） ； Centre Hospitalier de l’Université de Montréal (CHUM)（蒙特利尔大学医疗中心 (CHUM)） 纠错

专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出AMO-ENE模型，通过CT影像和临床数据自动检测外周淋巴结扩展并预测治疗预后，结合多模态特征提升预后预测精度。

EXAONE 4.5 Technical Report

EXAONE 4.5 技术报告

Eunbi Choi, Kibong Choi, Sehyun Chun, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Ahra Jo, Hyunjik Jo, Yeonsik Jo, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Changhun Lee, Haeju Lee, Jinsik Lee, Kyungmin Lee, Sangha Park, Kwangrok Ryoo, Minju Seo, Sejong Yang, Heuiyeen Yeen, Hwan Chang, Stanley Jungkyu Choi, Yejin Choi, Kyubeen Han, Joonwon Jang, Kijeong Jeon, Geunyeong Jeong, Gerrard Jeongwon Jo, Jiyeon Jung, Daeseong Kim, Dohoon Kim, Dohyun Kim, Hyunseo Kim, Minu Kim, Myoungshin Kim, Youchul Kim, Byungoh Ko, Christopher Lee, Edward Hwayoung Lee, Honglak Lee, Jiyoung Lee, Sangeun Lee, Seungwon Lim, Woohyung Lim, Jueun Mun, Jaewoo Park, Jimin Park, Jinho Park, Yongmin Park, Wooseok Seo, Yongwoo Song, Sihyuk Yi, Kyungjae Yoo, Sangyeon Yoon

机构 * LG AI Research（LG AI 研究院） 纠错

专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CL

AI总结 EXAONE 4.5通过集成专用视觉编码器扩展EXAONE 4.0框架，实现多模态预训练，提升文档理解和语言能力，支持256K tokens上下文长度，优于同类模型。

Lightweight and Generalizable Multi-Sensor Human Activity Recognition via Cascaded Fusion and Style-Augmented Decomposition

轻量且通用的多传感器人类活动识别：通过级联融合与风格增强分解

Wang Chenglong, Zhuo Yan, Ding Wenbo, Chen Xinlei

专题命中 多模态训练与对齐 ：multi-modal(abstract)

AI总结 本文提出一种轻量且通用的多传感器人类活动识别框架，通过级联融合与风格增强分解提升效率与鲁棒性，实验表明在Realdisp和Skoda数据集上优于现有方法，计算开销降低超30%。

Comments 8 pages. arXiv admin note: text overlap with arXiv:2501.10917 by other authors

Cross-Modal Knowledge Distillation from Spatial Transcriptomics to Histology

从空间转录组到组织学的跨模态知识蒸馏

Arbel Hizmi, Artemii Bakulin, Shai Bagon, Nir Yosef

机构 * Weizmann Institute of Science（魏茨曼科学研究所） ； Reichman University（赖希曼大学） 纠错

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

AI总结 本文提出利用空间转录组与H&E数据进行跨模态蒸馏，将转录组学的 niches 结构转移到仅依赖组织学的模型中，提升与转录组学 niches 结构的一致性，并通过细胞类型分析验证生物意义的邻近组成。

Comments Accepted to the CVMI Workshop at CVPR 2026. Project page: https://cross-modal-distillation.github.io/

Unseen Astronomy

未见天文学

Dr James W. Trayford

专题命中 其他多模态 ：multimodal(abstract)；multi-modal(abstract)

AI总结 本文探讨多模态科学在天文学中的应用，介绍其创新方法和潜在影响，强调其在教育、沟通和研究中的跨领域价值。

Comments Published in Astronomy and Geophysics, Volume 67, Issue 2, April 2026, Pages 2.22-2.26. This is the authors' accepted version of the manuscript

Squeeze Evolve: Unified Multi-Model Orchestration for Verifier-Free Evolution

Squeeze Evolve：无验证者演化的统一多模型协调

Monishwaran Maheswaran, Leon Lakhani, Zhongzhu Zhou, Shijia Yang, Junxiong Wang, Coleman Hooper, Yuezhou Hu, Rishabh Tiwari, Jue Wang, Harman Singh, Qingyang Wu, Yuqing Jian, Ce Zhang, Kurt Keutzer, Tri Dao, Xiaoxia Wu, Ben Athiwaratkun, James Zou, Chenfeng Xu

机构 * UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Together AI 纠错

专题命中 其他多模态 ：multimodal(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出Squeeze Evolve框架，通过动态分配模型能力提升无验证者演化的多样性与效率，实验证明其在多个基准测试中显著降低成本并提升性能。

Comments 40 Pages, Project Page: https://squeeze-evolve.github.io/