深度分析
「TASTE」多維度設計師標註資料集揭示 AI 平面設計模型與設計師偏好落差
研究針對AI生成平面設計偏好缺乏多維評分，推出TASTE資料集由10位設計師針對四個文字轉圖模型在九項指標上完成1600筆評分，驗證每項指標皆具顯著偏好訊號，且現有模型最高僅達0.55的與設計師共識，顯示仍有提升空間此資料集亦提供跨領域對照測試，將設計師共識與餐飲、電影等偏好進行比較。
視覺語言模型
深度分析
「SCOPE」框架：邊緣 AI 下自然語言驅動 PTZ 攝影機的即時控制與視覺語言模型整合
隨著語言模型在機器人領域的應用日增，研究者推出SCOPE框架，結合小型語言模型與輕量視覺語言模型，於模擬與實體PTZ攝影機上實現即時閉環控制，證實在邊緣硬體上可維持約2Hz速率並顯著降低幻覺與錯誤。同時驗證混合專家模型在效能與記憶體占用上優於傳統密集模型，量化技術進一步提升效率而損失微乎其微。
深度分析
STaR‑KV：時空自適應 KV 快取壓縮提升 GUI 代理人效能與記憶體利用率
圖形使用者介面（GUI）代理人因KV快取隨交互步驟線性增長而受限，STaR‑KV提出時空自適應重新加權，透過子空間互資訊、時間穩定折扣與熵導溫度三軸校準，於四項基準測試中在相同記憶體預算下提升準確度並減少近40%峰值GPU記憶體效能使用。
速報
Pause‑and‑Think‑T：小型視覺語言模型的情境推理突破
近期的視覺語言模型在影片的實體推理、時間一致性與情境規劃上表現不佳。研究團隊推出以推理為核心的訓練資料集 pause‑and‑think‑T，要求模型在產生答案前先暫停、檢視視覺證據並形成簡潔可執行的回應。
深度分析
Zamba2‑VL：混合狀態空間與 Transformer 架構在視覺語言任務的效能突破
隨著多模態模型成為視覺語言介面的核心，Zamba2‑VL 以混合 Mamba2 與少量 Transformer 區塊構成，結合線性時間預填與固定大小狀態，於 1.2B、2.7B、7B 參數規模上，效能與 Molmo2、Qwen3‑VL 等同階模型相當，且在推論速度上快上數十倍。
速報
StressDream：導向高衝擊且合理影像的擴散式影片世界模型
研究團隊提出 StressDream，透過優化擴散式影片世界模型的初始噪聲，使想像的未來影像朝向高衝擊但仍合理的結果發展。此方法結合視覺語言模型提供的語意梯度與合理性目標，避免噪聲偏離分佈。實驗以自駕與機械手臂的最先進影片模型驗證，證明可在推論時以文字指定失敗情境，協助更穩健的策略評估與改進，找出可能導致不良結果的動作。
深度分析
Vesta：結合視覺語言模型的動態統計工具平台，提升資料模型自動化與天文應用
Vesta以視覺語言模型結合可動態產生的統計工具，針對資料分布與時間序列建模進行自動化探索。透過工具庫的累積與即時創建，系統能在模型提案、批評與精煉迴圈中以視覺診斷引導改進。實驗顯示在複雜天文與混合分布任務上，Vesta超越既有基線，顯示動態工具對提升AI科學工作流具重大影響。
深度分析
MaskCaptioner：結合 OVFormer 與 Gemini 2.0 Flash VLM 的密集影片物件標註新框架
研究提出MaskCaptioner，利用先進視覺語言模型自動產生影片中每個物件的遮罩與文字敘述，並以LVISCap與LV‑VISCap兩套合成資料集進行端到端訓練，於VidSTG、VLN與BenSMOT三大基準創下最新成績，顯示合成標註可提升密集影片敘述效能。
深度分析
EAGLE 框架：透過證據對齊提升多代理視覺問答的可靠性與可解釋性
隨著視覺語言模型在視覺問答上表現提升，多代理協作被提出。研究提出 EAGLE 框架，透過顯示證據對齊與視覺根據驗證，提升六項基準的整體正確率，展示以影像證據為基礎的多代理一致性可大幅提升可靠性。此外，EAGLE 免除額外訓練成本，具備可解釋性，於高解析度與複雜空間推理任務中領先現有方案。
深度分析
PiSAR 基準：受監督微調（LoRA）使 Qwen3‑VL‑8B 在螢幕導向行為理據任務超越 Claude Opus 與 GPT‑5.5
本報導改寫自一篇針對 PiSAR 屏幕條件化行為理據資料集的實驗報告。作者在 661 行留置測試上，對比前沿零樣本基線（Claude Opus、GPT-5.5）與受監督微調（managed LoRA）後的小型視覺語言基底（Qwen3‑VL‑8B‑Instruct）。
速報
視覺語言模型(VLM)在古希臘史料OCR上出現流暢性誤讀
研究以視覺語言模型(VLM)檢視史料OCR表現。採用受控影像擾動與逐詞分級判定，發現多數VLM即使文字流暢也可能不以視覺為依據，錯誤具語言先驗傾向；專用OCR與通用VLM在視覺依賴上差異明顯，解碼時修正效果有限，後處理語言模型能部分補救。具有實務意涵
深度分析
CIVIC：以路徑一致性端到端序列緊湊化降低 VLM 的 KV-cache 與延遲
視覺語言模型面臨高解析影像造成的記憶與延遲瓶頸。CIVIC 提出全程路徑一致的緊湊序列設計，透過錨點聚合、KV 壓縮注意力與文本對齊的 KL 蒸餾，避免重複稠密還原與路由開銷。實驗證明能顯著縮減KV-cache與整體推論延遲，同時維持多模態效能表現。