What We are Missing in Multimodal LLM Evaluation?
我们在多模态大语言模型评估中缺失了什么？
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文分析现有多模态大语言模型评估基准的不足，识别出时空连贯性、物理世界理解、多模态一致性和选择性注意等关键缺失，强调填补这些空白对衡量多模态智能真实进展的重要性。
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
Learning from the Self-future: On-policy Self-distillation for dLLMs
从自我未来学习：面向扩散LLM的在线自蒸馏
机构 * Tsinghua University（清华大学） ； Technical University of Munich（慕尼黑工业大学） ； Nanyang Technological University（南洋理工大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； ELLIS Institute Tubingen（ELLIS蒂宾根研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tubingen AI Center（蒂宾根人工智能中心）
AI总结 提出首个面向扩散大语言模型的在线自蒸馏框架d-OPSD，通过自我生成答案作为后缀条件实现从自我未来经验学习，并将监督从词元级转向步骤级，在推理基准上以约10%的优化步骤超越RLVR和SFT基线。
Comments Preprint
Efficient learning of bosonic Gaussian unitaries
玻色子高斯酉算子的高效学习
机构 * Inria（法国国家信息与自动化技术研究所） ； Télécom Paris - LTCI（巴黎电信学院 - LTCI） ； Institut Polytechnique de Paris（巴黎理工学院） ； Department of Computer Science, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Institute of Computer Technology, Seoul National University（首尔国立大学计算机技术研究所） ； Dahlem Center for Complex Quantum Systems, Freie Universitat Berlin（柏林自由大学复杂量子系统中心） ； NEST, Scuola Normale Superiore and Istituto Nanoscienze（NEST、巴黎高等科学研究所和纳米科学研究所）
AI总结 提出首个高效算法学习玻色子高斯酉算子，使用相干和压缩探针、被动线性光学及外差/零差检测，通过辛正则化后处理实现多项式时间复杂度和高精度。
GO: The Great Outdoors Multimodal Dataset
GO: 大户外多模态数据集
机构 * Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX, USA（迈克·沃克66机械工程系，德克萨斯A&M大学，学院站，德克萨斯州，美国） ； DEVCOM Army Research Laboratory, Adelphi, MD, USA（陆军研究实验室，阿德菲，马里兰州，美国） ； University of Texas at Austin Center for Autonomy, Austin, TX, USA（德克萨斯大学奥斯汀分校自主性中心，奥斯汀，德克萨斯州，美国）
AI总结 针对非结构化环境中地面机器人研究，提出包含六种互补传感器模态的大规模多模态越野数据集，支持语义分割、目标检测和SLAM等任务，以提升退化条件下的鲁棒性。
Comments 7 pages, 7 figures, accepted at IV 2026
