深度分析
視覺語言模型原初效應對多模態 AI 合作決策的實驗分析
隨著視覺語言模型被廣泛應用於決策系統，研究其視覺輸入對行為的影響變得關鍵。本研究以迭代囚徒困境為測試平台，測試呈現善意或自私圖像及紅綠色獎勵矩陣的視覺原初效應。結果顯示，多數模型的合作決策會受圖像與顏色提示左右，且不同緩解策略的成效亦有顯著差異。
視覺語言模型
深度分析
Granite 4.0 3B Vision：結合 LoRA 與 DeepStack 的企業文件視覺語言模型突破
IBM推出的Granite4.03BVision為企業文件提供緊湊的視覺語言模型，透過ChartNet合成圖表資料集、DeepStack視覺特徵注入與LoRA模組化設計，提升表格、圖表與鍵值抽取精度，並在多項基準測試中領先同類模型，在企業AI流程中顯著提升效率。
深度分析
PhyCo：結合 ControlNet 與 VLM 的可控物理先驗生成式影片框架
研究針對現有影片擴散模型在物理一致性上的缺陷，提出PhyCo框架結合大規模模擬資料、ControlNet物理屬性圖與視覺語言模型回饋，實現可連續調整摩擦、彈性、變形與受力等參數的生成，實驗顯示在Physics‑IQ基準與使用者測試上均優於先前方法，顯示此技術可推動更真實且可控的影片生成。
LAKE
LAKE：定位異常敏感神經元以實現無需額外訓練的視覺語言模型異常偵測
這篇研究提出 LAKE（Latent Anomaly Knowledge Excavation），挑戰把大型視覺語言模型視為黑盒的做法。作者主張異常辨識的知識已內含於預訓練模型，但多數相關神經元處於潛伏狀態，於是以少量正常樣本辨識並激活那批稀疏敏感神經元，結合局部視覺結構與跨模態語意訊號建構緊湊且可解釋的正常性表徵。
深度分析
MIRAGE：代理式多模態推理結合檢索增強（RAG）以偵測錯誤資訊
面對日增的多模態錯誤資訊，MIRAGE提出一套可插拔的推理框架，將驗證工作分為四個連續模組：視覺真偽檢測、跨模態對齊評估、檢索增強事實查證與整合判斷。系統以視覺-語言模型負責結構化推理，並透過網路檢索回溯來源與引用，輸出具引用的結論與理由。
深度分析
Mobile-R1：以任務層級獎勵與三階段訓練強化視覺語言模型驅動的行動代理
Mobile-R1 提出針對視覺語言模型（VLM）驅動的行動代理的互動式強化學習框架，核心在於以任務層級獎勵（task-level reward）取代僅靠單步動作回饋的做法。作者設計三階段訓練流程：格式微調、動作層級的單步 GRPO 線上訓練，以及基於多回合軌跡的任務層級 GRPO 訓練，強化探索與錯誤修正能力。
視覺語言模型
FAIR_XAI：以 XAI 評估視覺語言模型在 AFAR-BSFT 與 E-DAIC 的公平性與跨域表現
臨床福祉評估正快速採用多模態視覺語言模型。研究提出FAIR_XAI框架，結合可解釋性介入與公平性規則，設計零樣本生成式與嵌入式融合兩種管線。作者在實驗資料集間比較模型效能與族群差異，發現績效跨領域波動顯著，XAI能提升程序一致性但不保證結果公平。
深度分析
LTD 資料集與 UniVLT：以跨鏡頭多視角推理建立城市級交通視覺語言基礎模型
面對城市交通日益複雜的安全挑戰，研究提出 Land Transportation Dataset（LTD）與一個交通導向的視覺語言基礎模型 UniVLT。LTD 收錄來自路邊異質攝影機的多視角影像與 11.6K 開放式 VQA 問答對，涵蓋細緻多物件定位、跨鏡頭攝影機選擇與多影像風險分析三大任務。
深度分析
視覺語言模型在具身代理中的信任邊界混淆與多代理緩解策略
隨著大型視覺語言模型（LVLM）驅動的視覺語言代理系統（VLAS）在具身場域的應用增加，環境中的文字與符號成為既是必要的安全訊號，也是可被惡意利用的攻擊面。研究提出一套雙意圖資料集與統一評估框架，系統化測試結構化字樣與對抗性噪音注入對代理決策的影響。
深度分析
ST-Prune：訓練免依賴的時空令牌剪裁，提升自駕視覺語言模型效能
自駕系統面對多鏡頭多影格的視覺爆炸，ST-Prune提出兩階段無訓練令牌剪裁：以運動波動與時序近因優先保留動態資訊，再利用環形視角抑制跨鏡頭重複背景。實驗於多項基準在高壓縮下仍維持近無損表現，兼顧速度與資源效率。未來仍需在閉環決策場景做進一步驗證。
深度分析
GG‑EZ：在視覺語言模型中實現東南亞在地化的折衷策略
基礎視覺語言模型在欠缺代表性的地區常出現文化不敏感與效能下降。本文提出「人為區域適配」（Anthropogenic Regional Adaptation）架構，並示範一種簡潔可行的實作方法 GG‑EZ：先以地區品質篩選整理在地語料，接著做監督微調，再以模型合併保存全球知識。
深度分析
縮放一致性量測：為 GUI 多步驟定位提供幾何信心估計
研究針對圖形介面（GUI）常見的多步驟放大定位流程，提出「縮放一致性」（zoom consistency）作為一個免費且無需額外訓練的信心指標。方法以第二步（zoom-in）模型在裁切視圖中的預測位置到裁切中心的幾何距離，作為第一步定位誤差的線性估計量，並可跨不同架構的視覺語言模型進行比較而不須校準。