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。
視覺語言模型
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。
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
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。