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。
視覺語言模型
深度分析
以 UAIT 測試 VLM 語意推理：不尋常動作與角色顛倒的挑戰
研究以不尋常動作影像為切入，檢視視覺語言模型在事件語意理解的盲點。研究採用VerbNet篩選動詞、以語言模型生成誤導性文本並用文字生成影像合成資料集。實驗比較多種VLM與對比學習模型，結果顯示現有模型難以區分語法正確與語意正確，表現明顯低於人類。
深度分析
以社交凝視一致性檢測生成式影像：針對去噪擴散模型與局部重繪的語義線索
在生成式模型逐步抹去低階偵測訊號的當下，研究提出「社交凝視一致性」作為一條高階語義偵測軸，聚焦多人人像中目光、頭眼對齊與瞳孔位置的互動一致性。作者透過配對編輯（只重繪眼周）、一套區塊式說明監督與跨架構驗證，證明此語義線索可跨生成器與不同骨幹遷移，於互動型子集上帶來可觀的平衡準確度提升，並指出這類語義線索將隨低階訊號消失而愈發重要。
深度分析
FoodMonitor 基準：以逐幀定位與結構化生成評估廚房合規監測的多模態大語言模型
監視影像要從「異常偵測」升級到可追溯的合規分析，FoodMonitor以477段廚房影片、雙通道逐幀標註與結構化JSON輸出，提出兩階段比對評估定位與語義理解，並發現現有多模態大語言模型在空間定位與規則對應上仍有顯著短板，最佳複合評分僅0.360。
深度分析
Granite 4.0 3B Vision：以ChartNet、DeepStack與LoRA實現企業級文件視覺語言模型
Granite4.03B Vision由IBM團隊推出，聚焦企業文件與圖表的視覺語言理解。核心採用ChartNet合成資料與DeepStack多階層視覺注入，並以LoRA附加於Granite4.0 Micro維持模組化部署。其在圖表摘要、表格抽取與語義KVP任務上展現領先或接近最佳的表現，有助提升企業自動化文件處理的穩定性與效率。
深度分析
自適應承諾深度：在 VLM 中學習何時重規劃以優化長程視覺推理
長程視覺語言推理需決定何時重新規劃。本文讓承諾深度成為模型內可學習變數，由單一VLM同時預測執行動作與持續步數，實驗在SlidingPuzzle與Sokoban展現顯著效能提升。結果在多種決策預算下顯示自適應承諾在成功率與行動效率間取得更好平衡。值得進一步研究
速報
弱對齊第一人稱視角下的視覺語言模型：Machine-DevBench 與 EgoBabyVLM 挑戰
研究指出當前視覺語言模型難以從嬰幼兒與第一人稱影像學到穩定語義。研究以不同語義對齊資料訓練模型並提出以詞彙與語法為核心的Machine-DevBench作為評估。結果顯示模型依賴精準配對資料，無法善用弱對齊自然視角，並提出EgoBabyVLM Challenge以促進改進。
深度分析
PluRule：以多模態對比資料評估視覺語言模型在多元社群審核的效能
社群治理正朝向由社群自行訂規範的多元化趨勢。PluRule 提供一個多語、多模態的基準資料集，收錄13,371則違規實例、72,675則留言與3,643張圖片，涵蓋1,989個Subreddit與2,885項規則。
深度分析
以域轉移與對比學習強化 SAR 語義：SARCLIP 與 1.7M 圖文資料集分析
合成孔徑雷達具全天候與穿透優勢,但影像含斑點噪聲與語義稀少。本文提出SARCLIP與SARCLIP-1M資料集,以光學→SAR的兩階段域轉移及對比式視覺語言訓練,促成圖文語義對齊並提升目標辨識與零樣本分類性能,顯著超越現有基模型。可望推動SAR多模態應用與開發者生態變革。
速報
VideoGameBench：以90年代遊戲檢驗視覺語言模型即時能力
研究團隊提出VideoGameBench，一套以10款90年代真實遊戲評測視覺語言模型（VLMs）感知、空間導航與記憶管理能力的基準。模型只取得原始畫面與高階目標與控制說明，三款遊戲保密以檢驗一般化。實驗顯示前沿模型在即時互動下多半難以超過開局，推理延遲為主要瓶頸；
深度分析
偏向轉移矩陣驅動的 BICL：提升百類以上互補標籤學習準確度
面對大量類別的標註瓶頸,研究提出Bias‑InducedConstrainedLabeling(BICL)透過限制每類的互補標籤候選集合並使用視覺語言模型進行負向提示標註,能大幅降低監督不確定性並在CIFAR‑100與TinyImageNet‑200上顯著提升分類效能。
深度分析
PhysBrain 1.0 將第一人稱影片編譯為物理化監督，擴展 VLM 到 VLA
研究指出，單靠機器人軌跡難以建立全面物理常識。本研究把大量人類第一人稱互動影像編譯成結構化場景記錄，再轉為物理問答供訓練。接著以保能力且敏感語言的方式，將這些物理先驗轉移至視覺語言行為策略。結果在多項多模態問答與實體控制基準上達到領先，並顯示強烈的域外泛化能力。