深度分析
結合音訊、歌詞嵌入與大型語言模型的多模態音樂推薦框架
本研究針對音樂串流的序列推薦問題，打造結合音訊、歌詞嵌入與LLM生成語意標註的多模態框架，並加入聆聽完成率作為行為信號。實驗在LastFM-1K資料集顯示，融合內容特徵後Recall提升至95%、NDCG提升至79%，同時指出簡單融合未必帶來加成，跨模態對齊仍具挑戰。
跨模態對齊
深度分析
點雲、影像與文字比較：ScanReQA 揭示 3D LLM 的空間推理限制
研究探討點雲是否提升3D大語言模型的空間推理能力。作者以文字、影像與點雲相互替換輸入，並提出ScanReQA基準評估二元空間關係與絕對座標理解。實驗顯示純文字或影像輸入仍能取得競爭成績，模型對點雲注意力偏低且在細緻關係推理上表現有限，指出3D LLM在利用點雲結構座標進行精細推理上存在瓶頸。
深度分析
多模態數學推理全景調查：感知、對齊與可驗證推理的最新進展
多模態數學推理受關注，但模型常誤讀圖示或對齊失誤，導致推理不一致。研究提出結構化感知、顯式對齊與可驗證推理的統合框架，改善中間步驟評估。此方向或重塑 AI 數學教育與應用格局。
InstrAct
InstrAct：動作導向預訓練框架提升教學影片理解
隨著教學影片日益增多，細粒度動作辨識仍具挑戰。InstrAct 以資料過濾、硬負樣本與 Action Perceiver 抽取運動特徵，並加入 DTW 對齊與遮蔽動作建模輔助目標。實驗證明其在語意推理、程序邏輯與細粒度檢索上優於現有模型，提升影片動作理解。
跨模態對齊
譜幾何功能映射診斷跨模態對齊：視覺 DINOv2 與 all‑MiniLM‑L6‑v2 的結構差異
研究聚焦於獨立預訓練的視覺與語言編碼器跨模態對齊，使用功能映射框架分析譜幾何。發現兩模型譜相似但特徵基底未對齊，對角占優度低且正交誤差高。此譜複雜度‑方向差距揭示跨模態對齊的結構限制。