深度分析
Granite 4.0 3B Vision：以 ChartNet、DeepStack 與 LoRA 加速企業文件視覺語言理解
IBM推出的Granite4.03BVision專為企業文件理解設計。它結合ChartNet合成資料、DeepStack視覺注入與LoRA模組化佈署，強化圖表、表格與語義鍵值擷取能力。模型在多項圖表與表格基準上達到領先或接近領先的成績，便於整合至文件處理流水線。
視覺語言模型
深度分析
WaferSAGE：以合成資料與量尺化強化學習驅動晶圓視覺語言模型的可解釋缺陷分析
半導體製程仰賴晶圓瑕疵分析但受限於資料稀缺與隱私限制。WaferSAGE以三階段合成資料、結構化評分規則與課程式強化學習，生成可評估的視覺問答對並對齊自動化評估指標。實驗顯示在本地部署下，小型視覺語言模型能接近商用大型模型的判讀表現並降低成本與隱私風險。
深度分析
UJEM-KL：以熵最大化與 KL 散度正則化發動非定向多模態越獄
本文重新檢視視覺語言模型（VLM）越獄攻擊的可轉移性，提出 UJEM-KL —— 一種在影像端進行非定向擾動的攻擊方法。作者發現拒絕回應常集中於自回歸解碼中的少數高熵決策 token；基於此，UJEM-KL 在這些位置最大化輸出熵，同時以 KL 正則化穩定低熵結構位置以維持生成品質。
深度分析
Gate-and-Merge：以模組化 LoRA 與門控合併實現視覺語言模型的零次個人化
本研究提出Gate-and-Merge，一套針對視覺語言模型（VLM）進行組合化個人化的零次學習框架。每個使用者自定義概念以輕量化LoRA適配器與專屬概念token獨立學習，基底模型保持凍結。推論時透過門控機制估計文本與視覺線索，選擇性啟動相關模組，並在權重空間合併經稀疏化與符號一致性的更新以抑制干擾。
深度分析
DUDE：以混合獎勵與經驗摘要強化視覺語言模型對抗欺騙式介面
研究指出視覺語言模型驅動的網頁代理易遭介面欺騙攻擊。論文提出DUDE雙階段框架，結合混合獎勵學習與經驗摘要，評估點選是否為欺騙元素並累積可轉移的失敗經驗。實驗顯示能大幅降低被欺騙率並維持任務成功率。同時作者建構RUC基準集包含1407個場景以供評估與分析。
深度分析
以度量傳輸衡量視覺文本壓縮：代理成本、TE 分數與無標籤決策路由
背景：視覺文本壓縮透過將文字渲染為影像並重編碼以降低 token 數。方法：本文把 ViT 的 patch 編碼表述為推前映射，將損失分解為精準度與覆蓋兩項成本，並用無標籤探針估計以產生輸入層級的路由與局部重編碼機制。結果：在 24 個基準上，該無標籤規則能匹配多數資料集的最佳路徑並提升整體效能。
深度分析
RuleSafe-VL：以原子規則拆解的視覺語言模型政策推理診斷基準
研究指出平台內容審核必須將圖文證據與政策條件一併評估。RuleSafe-VL把平台條款拆成93項原子規則與92種關係，構建2166個圖文案例，並以四項診斷任務檢驗模型能否啟動規則、還原規則互動、判定證據是否足夠及在補足情境後得出結果。研究顯示模型在規則關係還原與決策充分性上仍有顯著缺口。
深度分析
Granite 4.0 3B Vision：ChartNet、DeepStack 與 LoRA 驅動的企業級文件多模態引擎
IBM發布Granite4.03BVision，針對企業文件視覺語言理解優化。它以ChartNet合成圖表資料、DeepStack分層視覺注入與LoRA模組化設計為核心，提升表格、圖表與語義鍵值抽取能力。基準測試顯示在圖表與表格抽取上表現優異，便於整合Docling構建端到端文件處理流程。
深度分析
DALPHIN 多中心基準：比較 VLM（GPT-5、Gemini 2.5 Pro）與病理專用 PathChat 的實務表現
數位病理領域需獨立基準評估AI陪診工具。本研究推出DALPHIN多中心公開基準，用視覺問答VLM在序列診斷場景比較通用與病理專用模型。資料由多國多科病例組成且金標保留於受控平台，以防訓練資料外洩。結果顯示病理專用模型在若干任務接近專家水準，但表現具任務依賴性，強調持續獨立基準的重要性。
速報
MemeLens：統一多語多任務的視覺語言模型解析迷因
迷因結合影像、文字與文化脈絡成為主要溝通與操弄媒介。研究提出MemeLens──一個統一的多語、多任務、附解釋的視覺語言模型，整合38個公開迷因資料集並統一為20項任務。實驗顯示：有效理解迷因需多模態訓練，語義類別差異大，且單一資料集微調易導致過度專精。
深度分析
擴散模型下的乾淨標籤後門攻擊（CBV）：對視覺語言模型的影響與防禦
研究指出視覺語言模型可被不改標籤的乾淨標籤後門滲透；作者以擴散模型在語義重要區域生成具觸發特徵的自然中毒影像，並結合多模態引導與GradCAM遮罩強化隱匿性與轉移性；實驗顯示攻擊成功率逾八成且維持原有功能，隱匿性優於既有方法且具跨模型可轉移性
速報
InterChart：揭露視覺語言模型在多圖表推理的弱點
視覺語言模型在多圖表推理場景面臨挑戰。InterChart提出針對2–3張相關圖表的診斷基準，題型涵蓋實體推斷、趨勢關聯與數值估計。基準分三級從單圖事實到跨圖語義推斷。評測顯示模型隨圖表複雜度上升而顯著退步。該工作揭示跨圖整合為系統性瓶頸，對科學報告與財務分析有實務影響。