深度分析
CONVEX 資料集揭示 AI 生成多模態誤導的傳播、共識與檢測挑戰
研究以X的Community Notes建立CONVEX資料集，分析AI生成與其他多模態誤導影像的傳播與可偵測性；發現AI生成內容在被動互動下具有高病毒性，社群標註後達成共識較快，但專門偵測器對新一代生成模型的辨識力顯著下降，需長期監控與彈性應對。
視覺語言模型
視覺語言模型
以放射科醫師視線為先驗的視覺語言模型 GazeX 之研究與成果
本研究針對胸部X光報告自動化的臨床落差，提出以放射科醫師視線追蹤作為行為先驗的基礎視覺語言模型GazeX。模型在超過30,000個視線關鍵影格與231,835例影像上預訓練，顯著提升報告生成、病灶定位與視覺問答的準確性與可解釋性，並提供檢視軌跡作為驗證依據。
深度分析
UI‑Zoomer：不確定性驅動的自適應放大提升 GUI 元素定位精度
GUI元素定位在螢幕截圖上仍受小圖示與密集排版挑戰。UI‑Zoomer以不確定性驅動自適應裁切，僅在模型定位不確定時觸發，並依變異分解決定裁切半徑。實驗在三套資料集上分別提升13.4%、10.3%與4.2%。UI‑Zoomer可減少運算並提升小圖示定位精度，預示未來GUIAI助手在多樣介面實用性提升。
深度分析
早期視覺皮層對齊降低 VLM 順從性風險的實證研究
研究以 fMRI 資料測量 VLM 與人類早期視覺皮層對齊，並以 76,800 筆 Gaslighting 提示測試順從性。結果顯示 V1‑V3 對齊度與順從性負相關，特別在存在否認攻擊上效果顯著，說明低階視覺編碼可提升模型抗操控能力。
深度分析
視覺語言模型物理推理的獎勵設計與效能分析：GRPO 與 IBM Granite Vision 3.3 的比較
研究聚焦視覺語言模型的物理推理能力，透過四種獎勵訊號比較其效能。結果顯示，以答案正確性為基礎的獎勵提升最大，且注意力權重獎勵在空間推理上有顯著改善，指出監督注意力是未來提升方向。
深度分析
CropVLM：透過強化學習動態放大提升細粒度視覺語言模型效能
為提升視覺語言模型在場景文字與文件解析等細粒度任務的表現，研究提出CropVLM，可在推論時自動放大關鍵影像區域。該系統以強化學習訓練，無需人工標註框或高成本合成評估，且可與開源或商用模型即插即用。實驗顯示在高解析度需求的基準測試中顯著提升準確度，且不會導致模型遺忘。
深度分析
RLVR 於視覺語言模型的空間推理突破：Ariadne 迷宮框架實驗與跨域驗證
研究指出 RLVR 可能僅放大預訓練行為，缺乏視覺推理驗證。作者以 Ariadne 合成迷宮調控難度，發現 RLVR 能突破基礎 VLM 0% 正確率的空間推理上限。零樣本測試於 MapBench 與 ReasonMap 亦顯著提升，顯示能力真實擴張。
深度分析
PromptEcho：利用凍結視覺語言模型的交叉熵獎勵提升文字生成影像的強化學習效能
研究針對文字生成影像模型的獎勵訊號不足問題提出解決方案。PromptEcho 透過凍結視覺語言模型計算影像與提示的 token 級交叉熵損失，無需人工標註或獎勵模型訓練，提供即時且高效的獎勵。實驗證明在多項基準測試中顯著提升模型的提示遵循能力，且獎勵品質隨 VLM 規模提升而提升。
深度分析
MemJack：記憶增強多代理人視覺語言模型 Jailbreak 框架概述與實驗結果
隨著視覺語言模型快速發展，攻擊面亦大幅擴張。研究提出記憶增強多代理人框架 MemJack，利用視覺語義映射與迭代空間投影繞過防護，於 COCO 測試集達 71.48% 成功率，最高可至 90%。
深度分析
SVD‑Prune：免訓練視覺語言模型的單值分解代幣裁剪技術
隨著視覺語言模型需求增長，計算成本成為瓶頸。SVD‑Prune 透過奇異值分解與杠桿分數，選取全局變異貢獻最大的代幣，免除訓練流程。實驗證明即使僅保留 16‑32 個代幣，仍能保持接近完整模型的效能，顯著優於傳統裁剪方法。
沉浸式對話式推薦系統
沉浸式對話式推薦系統的情境即時標籤評估：從 XR 到智慧標示的挑戰
隨著 XR 技術普及，沉浸式對話式推薦系統開始關注情境即時標籤。研究將資訊需求分為明確意圖與主動需求，並以新指標評估標籤選擇。實驗在時尚、電影與零售三個場景測試 IR、LLM 與 VLM 方法，發現它們未能充分利用場景資訊、產生冗餘標籤且難以預測使用者主動需求，凸顯未來改進空間。
深度分析
Grid2Matrix：揭示視覺語言模型的數位失認現象與細節保留瓶頸
隨著視覺語言模型在多模態推理上表現優異，研究團隊設計 Grid2Matrix 基準，測試模型將彩色格子映射成矩陣的能力。結果顯示模型在小格子上即出現零樣本失效，且錯誤與格子跨越視覺補丁邊界高度相關，提出「數位失認」概念，指出語言輸出階段的資訊缺口。