多模态大模型

Alignment Is All You Need: Instruction-Free Training for General Audio-Language Models

对齐即全部所需：通用音频-语言模型的无指令训练

Xuanru Zhou, Yiwen Shao, Jiahong Li, Dong Yu

机构 * Zhejiang University（浙江大学） ； Tencent Hunyuan（腾讯混元） 纠错

专题命中 多模态训练与对齐 ：MLLM(abstract,abstract_cn)；multimodal(abstract)；cross-modal(abstract)；分类 cs.CL、eess.AS

AI总结 该研究提出仅对齐的无指令大音频-语言模型LALM，仅训练轻量投影器，在多模态数据集上用更少数据达到或优于基线，证明仅靠对齐即可构建有竞争力的多模态大语言模型。

When Two Tracers Disagree: An Investigation of Multimodal Fusion for Clinical PET/CT Segmentation

当两种示踪剂意见不合时：临床PET/CT分割的多模态融合研究

Jack A. Johnson, Bartłomiej W. Papież

机构 * University of Oxford（牛津大学） ； Nuffield Department of Medicine（纳菲尔德医学系） ； Department of Oncology（肿瘤学系） ； Big Data Institute（大数据研究所） ； Nuffield Department of Population Health（纳菲尔德人口健康系） 纠错

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

AI总结 该研究针对前列腺癌PSMA与FDG PET/CT的多模态融合分割，训练示踪剂特异性3D nnU-Net基线并对比多种融合策略，发现融合未始终优于单示踪剂模型，需更优架构保留示踪剂特异性表征

Comments 10 pages (8 pages main content and 2 pages of references), 2 figures, 2 tables, accepted to MICCAI 2026 Cancer Prevention, Detection, and IntervenTion (CaPTion) Workshop

Cross-Modal MRI Ovary Segmentation in Endometriosis Using Unpaired TVUS Prototype Priors

基于未配对经阴道超声（TVUS）原型先验的子宫内膜异位症跨模态MRI卵巢分割

Xingjian Kang, Lina Felsner, Dominik Perrin, Daiqi Liu, Jasmin Arjomandi, Franziska Mathis-Ullrich, Alexandra Stoll, Katharina Breininger

机构 * Center for AI and Data Science (CAIDAS), Julius-Maximilians-Universität Würzburg（维尔茨堡大学人工智能与数据科学中心） ； Institute for Computational Imaging and AI in Medicine (CompAI), Technical University of Munich（慕尼黑工业大学计算成像与医学人工智能研究所） ； Pattern Recognition Lab, Friedrich-Alexander Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学模式识别实验室） ； Department Artificial Intelligence in Biomedical Engineering (AIBE), Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学生物医学工程人工智能系） 纠错

专题命中 多模态训练与对齐 ：cross-modal(title,abstract)；分类 cs.CV

AI总结 针对子宫内膜异位症MRI卵巢分割难题，本研究提出结合TVUS原型库的双分支框架，适配MedSAM3对齐跨模态特征，在相关数据集上较SOTA方法提升超5个百分点，验证了原型库与热身预训练的作用。

Malformer: A Multi-Modal Malware Detector Using Transformers

Malformer：一种基于Transformer的多模态恶意软件检测器

Samuel Howard, Kshitiz Aryal, Mahmoud Abdelsalam, Maanak Gupta, Andrew Wheeler, Pradip Kunwar

专题命中 多模态训练与对齐 ：multi-modal(title)；multimodal(abstract)

AI总结 本研究提出四模态恶意软件检测模型Malformer，融合文本、图像、图形、音频表示，采用多模态Transformer融合，在201549个样本数据集上准确率98.3%，优于单/双模态检测器，为恶意软件防御提供稳健基础。

LiDAR-Derived Surface Priors for Multimodal Sensing-Assisted NLoS Beam Search in Indoor 60-GHz Networks

室内60GHz网络中多模态传感辅助非视距波束搜索的激光雷达衍生表面先验

Amod Ashtekar, Dalton Davis, Rafaela Lomboy, Omar Ibrahim, Raj Sai Sohel Bandari, Mohammed E. Eltayeb

专题命中 多模态训练与对齐 ：multimodal(title)；cross-modal(abstract)

AI总结 该研究提出用激光雷达衍生的局部表面结构作为先验，结合射频测量，可将60GHz网络的波束对探测减少72%，同时保持74.5%位置的波束在详尽搜索的3dB范围内，降低毫米波波束搜索不确定性。

MARCUS: Missing-Aware Region Representation with Contextual Urban Signals for Rent Prediction

MARCUS：结合上下文城市信号的缺失感知区域表示用于租金预测

Chenya Huang, Bin Liang, Zhidong Li, Yuxi Lu, Kunqi Li, Justin Wang, Fang Chen

机构 * The Property Investors Alliance（房地产投资者联盟） 纠错

专题命中 多模态训练与对齐 ：multimodal(abstract)；cross-modal(abstract)

AI总结 针对城市区域表示中缺失数据的语义价值被忽略问题，提出缺失感知区域表示模型MARCUS，将缺失视为城市信号，在悉尼和纽约租金预测任务上较基线显著降低MAE，性能最优。

Comments 10 pages, 7 figures, 4 tables. Accepted at the 2026 IEEE International Conference on Data Mining (ICDM 2026)

Impact of Iterative Fine-Tuning on Transcription Accuracy in Complex Historical Sanskrit Manuscripts

迭代微调对复杂历史梵文手稿转录准确率的影响

Kartik Chincholikar, Kaushik Gopalan, Mihir Hasabnis

机构 * Centre for Inter-disciplinary Artificial Intelligence (CAI)（跨学科人工智能中心（CAI）） ； FLAME University（火焰大学） 纠错

专题命中 多模态训练与对齐 ：multi-modal(abstract)；分类 cs.CV、cs.AI

AI总结 针对复杂历史梵文手稿的OCR挑战，提出可在布局与外观层级迭代微调的传统OCR流水线，构建含精细标注的数据集，验证了迭代微调的性能提升并完成多模态大模型基准测试。

USR-Drive: Unified Driving Scene Representation via Joint Denoising of 3D Gaussians and Boxes

USR-Drive：通过3D高斯与边界框联合去噪实现统一驾驶场景表示

Li-Heng Chen, Haokai Pang, Chengye Su, Jiarun Liu, Qifeng Chen, Ziqian Ni, Jianxin Huang, Shi-Sheng Huang, Hongbo Fu, Sheng Yang

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

AI总结 本文提出USR-Drive框架，将3D高斯与边界框作为对齐的潜在令牌流，通过统一多模态扩散Transformer联合去噪，在nuScenes和VKitti数据集上实现动态重建与3D检测的SOTA性能。

Role-Conditioned Sub-Token Routing for Efficient Vision-Language-Action Policies

用于高效视觉-语言-动作策略的角色条件子令牌路由

Wei Jiang, Wei Wang

机构 * Futurewei Technologies（未来智能技术公司） 纠错

专题命中 多模态训练与对齐 ：multimodal(abstract)

AI总结 该研究针对VLA模型推理成本高的问题，提出RoleSub方法，通过角色条件子令牌路由压缩视觉和语言表示，在匹配视觉-KV预算下多数场景优于仅令牌控制，结合压缩后总KV仅为原始的9.2-11.3%且控制性能强。

Comments 12 pages, 5 tables