喜报！深度之眼学员中稿 Nature 子刊，影响因子高达 29.796！
近日，深度之眼再传中稿喜讯！深度之眼 L 同学的研究论文正式获得 Nature Machine Intelligence 接收！从最初的课题立项，到最终收到期刊的录用通知，历经将近 19 个月的持续打
2026-11-04 14:01 · 摘要已收录，可打开文章获取原文内容
顶会上的多模态领域动向！
多模态是一个特别容易陷入信息差的方向。很多时候，你没思路是因为始终局限在自己熟悉的那几个方向上。而多模态其实有很多值得关注的细分领域，从融合机制、模型架构到具体应用，不同技术路线之间也存在不少可以借鉴
2026-11-04 14:01 · 摘要已收录，可打开文章获取原文内容
DDL 2.0 AIGC安全论坛在三大学术会议成功举办
2026年，DDL 2.0先后在乌鲁木齐ChinaMFS、不来梅IJCAI-ECAI和西安CCBR举办，围绕模型与内容安全开展研讨、竞赛及成果交流。一 以DDL提醒AI安全的紧迫性DDL源于首届深度伪
2026-11-03 23:36 · 摘要已收录，可打开文章获取原文内容
TPAMI 2026 | 北大、清华等团队提出GAPrompt++：多粒度几何感知点云提示，高效适配3D视觉模型
近日，北京大学、清华大学等团队提出 GAPrompt++，一种面向预训练3D视觉模型的多粒度几何感知提示学习方法。该方法冻结预训练骨干，仅通过轻量提示模块和任务头完成下游适配，同时显式建模点云中的局部
2026-11-03 23:36 · 摘要已收录，可打开文章获取原文内容
复旦等提出 RSI-Nav：统一视觉—语言—动作学习，让导航模型实现数据驱动的自我进化
只用 RGB 视觉输入，R2R-CE / RxR-CE 导航成功率分别达到 68.6% / 72.4%；相比初始模型提升 15.7 / 17.7 个百分点。代码、模型和数据均已开源。论文标题： Dat
2026-11-02 18:00 · 摘要已收录，可打开文章获取原文内容
ICML 2026 突破极限！港大提出首个适配300+任务的持续学习架构，破解遗忘难题
本文第一作者为香港大学计算与数据科学学院博士生娄蒙。人类可以在一生中持续学习新知识，而不会轻易遗忘已有技能。然而对AI模型而言，这恰恰是一道极具挑战性的难题：每当模型学习新任务时，参数更新往往会覆盖历
2026-11-02 18:00 · 摘要已收录，可打开文章获取原文内容
TPAMI 2026 | 北航等提出TARGR: 通过研究隐空间中的毒性转移轨迹，让大模型生成更安全
近日，北京航空航天大学团队的论文 “LLM Detoxification via Transition-Aware Reward-Guided Representation Sampling” 被 I
2026-11-01 22:54 · 摘要已收录，可打开文章获取原文内容
视频生成已经很逼真，但物理保真吗？PVBench 用物体级物理量检验生成视频
一段生成视频里，小球落地后顺畅弹起，机械臂自然地搬动物体，镜头也足够清晰。乍看之下，它似乎已经学会了现实世界的运行方式。但如果进一步追问：小球是否越弹越高？碰撞前后的动量是否合理？机械臂搬动的物体有没
2026-10-31 12:25 · 摘要已收录，可打开文章获取原文内容
腾讯发布Hy-Nomas：8B扩散模型打破世界模拟限制，文本与连续相机控制双向交织
腾讯混元视觉生成团队近期发布了一项关于交互式视频世界模型的重要成果——Hy-Nomas。该系统基于一个 8B 参数的扩散 Transformer 主干，首次在单一生成架构中原生融合了自由文本指令交互与
2026-10-30 22:54 · 摘要已收录，可打开文章获取原文内容
DualExam：AI能规划、会生成，为何仍完不成任务？
论文题目： Dual Exam: Controlled Evaluation of Multimodal Agents and World Models论文地址：https://arxiv.org/a
2026-10-29 23:57 · 摘要已收录，可打开文章获取原文内容
HybridCUA：让电脑智能体学会“何时点鼠标、何时敲命令”
近年来，基于多模态大模型的电脑操作智能体（Computer-Use Agent，CUA）发展迅速，已经能够像人一样观察屏幕、点击按钮、输入文字，完成办公、编程、系统设置等真实数字任务。然而，“像人一样
2026-10-28 12:30 · 摘要已收录，可打开文章获取原文内容
Omni-Woodpecker：全模态幻觉可以在模型内部免训练纠正
全模态幻觉可能并不来自于证据编码的失败，而是融合表示中证据与先验的失衡。OWP 在解码之前，于模型内部重新平衡二者。全模态大模型（Omni LLM）把大语言模型的能力从文本扩展到语言、视觉和音频的联合
2026-10-28 12:30 · 摘要已收录，可打开文章获取原文内容
102 页综述逐章精读：视频基础模型如何「读、写、共享、交互」世界
导读能回答视频问题、能生成流畅画面，是否意味着模型已经理解了世界？我们在这篇综述中给出的回答是：不一定，而且这两件事需要分开检验。 视频只是潜在动态世界的局部、有损、按时间排列的观测；真正需要检验的，
2026-10-27 22:07 · 摘要已收录，可打开文章获取原文内容
NeurIPS 2026｜字幕缺词、音画掉线，SemMSA如何稳住情感判断？
一句“我并不喜欢这部电影”，如果字幕恰好漏掉了“不”，意思就会反过来。人还可以听语气、看表情。但如果声音也断了一截，画面又缺了几帧，AI还能判断这究竟是在夸奖，还是在抱怨吗？这正是不完整数据下的多模态
2026-10-26 22:53 · 摘要已收录，可打开文章获取原文内容
看懂、听懂，还要找准：OmniCompass评测50个MLLMs的全模态视频定位与理解能力
作者简介：本文第一作者为香港理工大学VC Lab博士生刘旭洋，通讯作者为IEEE Fellow、香港理工大学讲席教授、OPPO研究院AI科学家张磊教授。实验室VC Lab长期关注计算机视觉、多模态、图
2026-10-25 23:27 · 摘要已收录，可打开文章获取原文内容
边想边看，能够捕获时空线索的视频智能体：Open-o3-Video-v2
作者：Open-o3-Video 团队（北大、复旦、南洋理工）视频里真正决定答案的线索，可能只出现短短几秒，或者散落在视频的不同时刻。如果模型只看预先稀疏抽取的画面，关键动作、人物或物体很容易被漏掉。
2026-10-24 22:46 · 摘要已收录，可打开文章获取原文内容
同样的 GQA 推理结构，为何会学出不同模型？北大 × 百度提出 VHA
北京大学与百度团队提出的 Virtual Head Attention（VHA），训练后可以折叠成标准的 16Q/2KV GQA。在论文的 1.7B 匹配实验中，它与直接训练的 GQA 采用相同的推理
2026-10-23 17:30 · 摘要已收录，可打开文章获取原文内容
NVIDIA RTX PRO 平台赋能专业工作流
从工业设计、工程建模到动画制作与视觉渲染，专业工作流对图形处理性能与稳定性的要求不断提升。NVIDIA RTX PRO™ 平台凭借出色的图形处理能力与成熟的软件生态，为各行业专业应用提供可靠支持。扫描
2026-10-23 17:30 · 摘要已收录，可打开文章获取原文内容
不写思维链，多转几圈就更准？Lev：让同一份权重按题决定“想多深”的循环决策模型
Lev 逐圈作答（按项目主页记录的逐圈读数重绘，回放实验数据，不是实时推理）。例 1 第 1 圈就选中正确答案 B，停止器判定可以停下；例 2 第 1 圈选 4，到第 4 圈改选正确答案 6。“想得更
2026-10-22 22:22 · 摘要已收录，可打开文章获取原文内容
CVPR 2026 Oral | WorldLens：驾驶世界模型，怎样才算可靠？
一段生成的行车视频，可能有清楚的车道线、自然的光照，以及相当逼真的车辆纹理。但如果镜头稍微偏移，道路旁的物体会不会散开？如果驾驶策略根据这些画面连续作出决策，车辆还能否沿路线行驶？当视频被交给三维感知
2026-10-22 22:22 · 摘要已收录，可打开文章获取原文内容
喜讯！NeurIPS 2026 开奖！我们中稿 11 篇！
深度之眼 喜报NeurIPS 2026 中稿11 篇上一届 4 篇同比增长175%4 → 11，再创新高←左右滑动查看更多→Slide for more photos01NeurIPS 2026 中稿
2026-10-21 13:22 · 摘要已收录，可打开文章获取原文内容
顶会上的世界模型！
想入门世界模型，但论文满天飞，不知道哪些值得读；想练手要么找不到代码，要么跑不通？亦或是好不容易过了新手期，想发论文，但方向实在太杂，不知道从哪条线切入合适……你也有这些烦恼么？那这份世界模型资源库，
2026-10-21 13:22 · 摘要已收录，可打开文章获取原文内容
DriveMotion发布：393小时多源驾驶员动作预测基准
在智能座舱与自动驾驶领域，理解驾驶员的意图、注意力分配以及接管准备状态，始终是人机交互与主动安全的核心问题。以往的驾驶员监控研究大多停留在动作分类与静态识别层面，即判断驾驶员“刚刚做了什么”；而对于人
2026-10-20 23:55 · 摘要已收录，可打开文章获取原文内容
会画椅子，也会「装」椅子吗？WorldCast 实测 12 个视觉生成模型
论文标题：WorldCast: Exploring Intelligent Visual Generation in World State PredictionPaper：arXiv 论文：http
2026-10-19 23:17 · 摘要已收录，可打开文章获取原文内容
NeurIPS 2026 Spotlight | 剖析医疗 VLM 错误机制，湖南大学 & 香港大学提出 CRAFT：故障电路因果定位与干预框架
论文标题：CRAFT: Causal Responsibility and Failure Tracing in Medical Vision Language Models主要机构：湖南大学、香港大
2026-10-19 23:17 · 摘要已收录，可打开文章获取原文内容
斯坦福大学提出可组合世界-动作模型OpenWAM：因果视频预训练+反事实动力学，打破跨任务迁移壁垒
在具身智能领域，世界-动作模型（World-Action Models, WAMs）正逐渐成为连接高维未来视觉预测与机器人底层物理控制的关键范式。然而，长期困扰具身智能研究者的一个痛点在于：现存的各类
2026-10-18 23:58 · 摘要已收录，可打开文章获取原文内容
腾讯光子 x NUS | Orbia 视频世界模型评测
腾讯光子 x NUS | Orbia 视频世界模型评测论文： Orbia: Do Generated Videos Form a Consistent 3D World?论文链接：https://ar
2026-10-16 23:37 · 摘要已收录，可打开文章获取原文内容
MedReaMM：面向专家级临床诊断综合能力的评测
随着大语言模型和视觉语言模型不断进入医学场景，模型能不能“看懂一张片子” 已经不再是唯一问题。真实诊断往往同时依赖病史、症状、实验室检查、医学影像和病理结果，医生需要把这些来源不同、粒度不同的证据放在
2026-10-15 22:26 · 摘要已收录，可打开文章获取原文内容
港科大×腾讯视频：音视频大模型后训练往哪儿使劲？边学边改，不再提前定死
导读｜你一定见过这样的 AI 视频：主播张嘴却没声音，狗叫声响了嘴还闭着，人物说着说着就「换了张脸」。音视频联合生成模型越做越大，但让画面好看、声音好听、语义对得上、口型还同步，几个目标经常互相「打架
2026-10-15 22:26 · 摘要已收录，可打开文章获取原文内容
RelightFormer ：重光照无需逆渲染
想象一下：你有一张产品照片，想让它从“办公室白光”切换到“夕阳余晖”，或是“霓虹夜景”...传统方法会让你崩溃：重建3D模型，估计材质，最后渲染...一步错，步步错。今天，香港理工大学vLAR团队提出
2026-10-14 23:09 · 摘要已收录，可打开文章获取原文内容