多模态大模型

Bernini: Latent Semantic Planning for Video Diffusion

Bernini: 视频扩散中的潜在语义规划

Bernini Team, Chenchen Liu, Junyi Chen, Lei Li, Lu Chi, Mingzhen Sun, Zhuoying Li, Yi Fu, Ruoyu Guo, Yiheng Wu, Ge Bai, Zehuan Yuan

机构 * Bernini Team（伯尼尼团队） 纠错

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

AI总结 本文提出Bernini框架，通过将大规模多模态语言模型用于语义规划，扩散模型用于像素生成，实现了视频生成与编辑的统一方法，提升了编辑任务的泛化能力。

Comments Project Page: https://bernini-ai.github.io/

Distributed Image Compression with Multimodal Side Information at Extremely Low Bitrates

分布式图像压缩与多模态侧信息在极低比特率下的应用

Guojun Xu, Mingyang Zhang, Jianwen Xiang, Cheng Tan, Yanchao Yang, Junwei Zhou

机构 * School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院） 纠错

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

AI总结 本文提出了一种多模态分布式图像压缩框架（MDIC），通过利用多模态侧信息在极低比特率下实现高质量图像重建，核心方法是引入文本到图像扩散解码器和特征掩码生成器，以提升全局感知质量和局部细节保留能力。

Comments Accepted by CVPR2026

VChain: Chain-of-Visual-Thought for Reasoning in Video Generation

VChain：用于视频生成中推理的视觉思维链

Ziqi Huang, Ning Yu, Gordon Chen, Haonan Qiu, Paul Debevec, Ziwei Liu

机构 * eyeline-labs（Eyeline Labs） 纠错

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

AI总结 本文提出VChain，一种在视频生成中引入多模态模型视觉推理信号的新型推理时间视觉思维链框架，通过生成关键帧来指导预训练视频生成器的稀疏推理时间视觉状态适应，从而提升视频生成质量。

Comments ACL 2026 (Findings Paper), ICCV 2025 Workshop Outstanding Paper Award, Project page: https://eyeline-labs.github.io/VChain

Diverse Yet Consistent: Context-Guided Diffusion with Energy-Based Joint Refinement for Multi-Agent Motion Prediction

多样且一致：基于能量的联合细化的上下文引导扩散用于多智能体运动预测

Lei Chu, Yuhuan Zhao

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 本文提出了一种基于扩散的框架，通过利用历史轨迹中的丰富上下文信息来改进多智能体运动预测，通过引导机制增强预测动作的多样性和表达性，并引入基于能量的公式来细化联合轨迹分布，同时保持个体轨迹的合理性，实验表明该方法在多个基准数据集上均优于现有方法。

Comments MEIS-- CVPR

Lens: Rethinking Training Efficiency for Foundational Text-to-Image Models

Lens：重新思考基础文本到图像模型的训练效率

Dong Chen, Fangyun Wei, Ziyu Wan, Dongdong Chen, Jiawei Zhang, Jinjing Zhao, Sirui Zhang, Yang Yue, Zhiyang Liang, Baining Guo, Chong Luo, Jianmin Bao, Ji Li, Lei Shi, Qinhong Yang, Xiuyu Wu, Xuelu Feng, Yan Lu, Yanchen Dong, Yitong Wang, Yunuo Chen

机构 * Microsoft Lens Team（微软Lens团队） 纠错

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

AI总结 本文提出Lens，一个具有38亿参数的文本到图像模型，在多种基准测试中表现与超过60亿参数的最新模型相当甚至更优，同时训练计算需求显著降低。通过最大化训练批次的数据信息密度和改进收敛速度的架构选择，实现了高效的训练和优化。

Comments Project Page: https://github.com/microsoft/Lens