關係式視覺相似度
關係式視覺相似度：突破傳統影像相似度的全新模型
研究指出人類能辨識影像內部元素的關係相似，而現有相似度指標僅聚焦屬性相似。研究者蒐集 11.4 萬張說明關係邏輯的影像，微調視覺語言模型以量測關係式相似度。實驗證實新模型在多項任務上超越傳統指標，揭示視覺計算的關鍵缺口。
視覺語言模型
深度分析
聆聽者增強 GRPO 提升影像偏好對齊的視覺語言模型準確性
為解決影像生成模型偏好對齊的挑戰，研究者引入聆聽者回饋式強化學習框架，讓獨立視覺語言模型評估推理鏈的信心。此方法在 ImageReward 基準上取得 67.4% 的最高準確率，並在大型人類偏好資料集上提升最高 6%，同時減少推理矛盾，展示了可擴展的對齊路徑。
單影像超解析
Chain‑of‑Zoom：尺度自回歸與文字偏好對齊實現 256× 單影像超解析
單張影像超解析模型在高倍率放大時易崩潰，研究提出Chain‑of‑Zoom以尺度自回歸與多尺度文字提示分階段放大，實驗顯示4×diffusion模型在此框架下可超過256倍放大且保有高感知品質，並在細節保真度上與原始影像高度一致。
深度分析
EchoTrail-GUI：評論者驅動的記憶注入提升 GUI 代理人效能
當前 GUI 代理人缺乏跨任務學習，EchoTrail-GUI 以自動化經驗探索建立成功軌跡資料庫，並在新任務時檢索相關記憶作為上下文提示，實驗顯示在 Android 基準上成功率與效率均有顯著提升，突顯記憶結構化的效益。
單步區塊擴散
ECHO：單步區塊擴散提升胸部 X 光報告生成效能
胸部X光報告生成可減輕放射科醫師負擔。ECHO 以單步區塊擴散結合Direct Conditional Distillation與Response‑Asymmetric Diffusion，提升文本一致性與訓練效率。實驗證明其在指標上提升逾六成，且推論速度提升八倍，未影響臨床準確性。
深度分析
Mosaic：多視角集合優化破解閉源視覺語言模型的新框架
視覺語言模型易受多模態 jailbreak 攻擊，現有方法多依賴單一代理或視角，導致在異質環境下效能下降。Mosaic 透過文字側轉換、 多視角影像優化與代理模型集合指導，減少對單一模型與視圖的依賴。實驗顯示其在商業閉源 VLM 上達到最高攻擊成功率與平均毒性，提升了跨模型破解的實用性。
深度分析
CORA：以共形風險控制提升行動手機 GUI 自動化安全性
隨著視覺語言模型驅動的手機 GUI 代理人從輔助轉向自主，安全風險急遽上升。CORA 以共形風險控制校正執行門檻，結合 Guardian 風險估計與 Diagnostician 多模態推論，提供使用者可調的風險上限與介入建議。實驗在 Phone‑Harm 基準上證實其提升安全性與效能的 Pareto 前緣。
SenBen
SenBen：以敏感情境圖提升可解釋內容審查的基準與效能
為解決內容審查缺乏空間根據與可解釋性的問題，研究者建立了 SenBen 敏感情境圖基準，收錄 13,999 幀電影畫面並標註多項敏感屬性。透過多任務蒸餾與詞彙感知損失，將大型視覺語言模型壓縮至 241M 參數的學生模型，提升 SenBen Recall 6.4%。此模型在場景圖、物件偵測與說明任務上均優於現有商業安全 API，且推論速度與記憶體需求大幅優化。
多模態偵測
案例驅動多模態偵測：數位鑑識中的仇恨與威脅辨識框架
本研究針對數位鑑識中圖像與文件的仇恨與威脅表徵提出案例驅動多模態偵測框架，先辨識文字來源再選擇文字分析、視覺語言模型或僅影像語意推論，實驗顯示在異質證據下具一致性與可解釋性，提升證據可追溯性。
深度分析
ViSA‑R2 以視覺化輸入直接產出可執行 SymPy 解析解
研究聚焦於將二維線性穩態場的視覺化資訊轉換為可執行的 SymPy 解析式。作者提出 ViSA‑R2，結合自我驗證的解題導向思考鏈，模擬物理學家的推理流程，並發布含 30 種情境的 ViSA‑Bench 基準。實驗顯示在數值精度與結構相似度上，ViSA‑R2 超越現有開源與封閉商業視覺語言模型，提升 AI 在科學推理的應用潛力。
深度分析
Liquid AI 推出 LFM2.5‑VL‑450M：支援邊緣裝置的視覺語言模型與框選預測
Liquid AI 於 2026 年推出 LFM2.5‑VL‑450M，針對邊緣裝置優化視覺語言模型。新模型加入邊界框預測、多語言理解與函式呼叫功能，並在 RefCOCO‑M、MMMB 等基準測試上取得顯著提升。其在 Jetson Orin 等硬體上可於 250ms 內完成 512×512 圖像推論，為實時視覺應用提供低延遲、結構化輸出。
深度分析
NVIDIA Cosmos Reason 2：提升實體 AI 的高精度視覺語言推理模型
NVIDIA 於 2026 年推出 Cosmos Reason 2，提升實體 AI 的視覺推理能力。新模型支援 256K Token、2D/3D 點定位與 OCR，並在 Physical AI Bench 取得第一名。此升級預計加速機器人與自駕車等領域的應用落地。