大模型学会拖进度条看视频了，阿里新研究让视频推理告别脑补，实现证据链思考
来自阿里巴巴未来生活实验室的研究团队认为，这背后是任务性质的根本差异:数学推理是纯文本空间的逻辑游戏，而视频推理需要模型在视觉内容和文本逻辑之间反复穿梭、验证。
港大提出RaPO：强化微调破解MLLM灾难性遗忘，代码已开源
部分轨迹呈现高漂移:虽然刚好命中了新任务标签，但其在参数空间与表征分布上已发生了剧烈突变，彻底背离了历史知识。
肉眼看不出的幻觉？清华提出视觉源幻觉，仅用0.9%数据实现SOTA
第一组，一张只有小狗的照片，问模型「图中有椅子吗」，它答「没有，图中是一只狗」，完全正确;近日，来自清华大学的团队在ACM MM 2026论文中提出:当模型输出很短时，比如只回答Yes/No，推理更依赖视觉模态，此时会浮现出另一套幻觉机制，它根植于视觉特征提取本身。
Lumina-DiMOO：多模态扩散语言模型重塑图像生成与理解
上海人工智能实验室推出了一款革新的多模态生成理解一体化的扩散语言模型 ——Lumina-DiMOO。
ICCV 2025 | 北大王选所最新成果速览
来源：【北京大学】第20届国际计算机视觉大会（ICCV 2025）于2025年10月19日- 10月23日在美国夏威夷举办。International Conference on Computer Vision（ICCV）是计算机视觉领域的CCF A类顶级国际会议。
Diffusion 扩散模型详解：驱动高质量 3D 内容生成的核心机制
在 AI 领域，扩散模型（Diffusion Model）已经成为生成高质量 3D 内容的核心技术之一。从二维图像的辉煌到三维创造的新大陆，扩散模型不仅能够生成逼真的 3D 模型，还能根据文本描述进行创意生成。
SGLang Diffusion震撼发布：图像视频生成速度猛提57%！
就在一周前，全宇宙最火爆的推理框架 SGLang 官宣支持了 Diffusion 模型，好评如潮。
GitHub 8k Star，一作实习生，字节这个大模型成果被苹果选中了
机器之心发布机器之心编辑部字节跳动大模型团队成果 Depth Anything V2 现已被苹果官方收入 Core ML 模型库。本文介绍了 Depth Anything 系列成果的研发历程、技术挑战与解决方法，分享了团队对于 Scaling Laws 在单一视觉任务方面的思考。
肉眼看不出的幻觉？清华提出视觉源幻觉，仅用0.9%数据实现SOTA
来源：新智元多模态大模型的物体幻觉，长期被归因于语言先验。先看下面两组对话。
推理越多，幻觉越重？多模态推理模型的“幻觉悖论”
【导读】多模态推理模型真的「越想越明白」吗？研究表明，R1系列模型在推理链条加长的过程中，其视觉感知能力出现下降趋势，生成内容有时会偏离图像本身，出现「看见」不存在事物的幻觉现象。推理能力的提升，在一定程度伴随着视觉对齐的弱化，呈现出「越推理越幻觉」的倾向。