在原始视频上对语言模型进行中期训练
研究团队将 Qwen3-1.7B 在 YT-Temporal-1B 的原始无字幕视频片段上进行中期训练，让模型学习预测下一个视觉 token。中期训练后的模型在四个视频基准上平均提升 2.9 分，在十个图像基准上平均提升 5.1 分，涵盖感知、文档和图表任务；14 个文本基准平均分为 48.9，未中期训练的模型为 48.0。
#多模态
arXiv cs.AIAI 评分3434 arXiv cs.AIAI 评分2222 iAm.md：通过智能体内省实现未知开放词汇域中的机器人技能自评估
研究者提出 iAm.md，一种 Markdown 标准与生成框架，通过开放词汇语义建图将视觉语言检测与物体分割关联到持久物体记录，让智能体实现内省。在仿真 TIAGo 的导航与操作任务上，该标准化表示同时支持技能自评估与可执行任务泛化，论文已被 AIRO 2026 接收。
arXiv cs.AIAI 评分2525 VICO：面向视觉语言模型推理的视觉环境协同演化框架
VICO 是一个让 actor 与 Environment-as-Rewriter（EnvRewriter）联合训练的协同演化框架，EnvRewriter 通过编辑场景图、图表表格或保护区域掩码等图像侧结构并重新渲染，生成难度与 actor 当前能力匹配的标签有效训练样本。
arXiv cs.AIAI 评分2222 SAVU-Bench：面向空间音视频理解的真实世界基准
研究者推出 SAVU-Bench，一个覆盖三个能力层级、七项评测任务的空间音视频理解真实世界基准，并配套 SAVU-Diag 诊断集，将推理问题拆解为前置的定位与对齐子任务。对 12 个代表性模型的评测显示，视觉空间定位已相对成熟，涉及音频的空间感知仍是主要瓶颈；多数推理错误与前置任务失败同时出现。基于此提出的免训练证据增强基线 SAVU-EA 显著改善空间定位与联合匹配，但高层空间推理仍具挑战。
arXiv cs.AIAI 评分2828 WorldBench：评估 LLM 生成 Three.js 体素世界的能力
研究者提出 WorldBench，一个面向 LLM 生成 Three.js 体素世界的基准与评判器，通过让评判器实际运行世界、操控时钟、环绕观察并派导航智能体取景，同时对照源码核验。
arXiv cs.AIAI 评分2727 SLVR：通过类人推理流实现结构化潜在视觉推理
研究提出 SLVR 训练框架，将多模态推理组织为规划、定位、证据选择和推理整合四类潜在阶段，在推理时无需生成文本思维链。基于 Qwen2.5-VL-7B 构建，SLVR 在 MMVP 上绝对提升 +9.4、BLINK Relation 上提升 +14.2，并在 V*、MathVista 和 ChartQA 上取得改进。该工作已被 NeurIPS 接收。
arXiv cs.AIAI 评分2222 HRIL：通过高阶张量建模学习多模态协同信息
研究者提出多模态表示学习方法 HRIL，通过构建模态嵌入的经验交叉矩张量来建模多路交互，并用 Tucker 分解获取核心张量，配合协同感知正则项防止能量集中、保留高阶耦合能力。在受控协同任务和真实基准上，HRIL 相较现有多模态对比方法取得一致提升，在协同交互主导的任务上增益尤为明显。代码已开源，论文被 NeurIPS 2026 接收。
arXiv cs.AIAI 评分2727 GeoReform：面向多模态几何问题求解的反思式形式化演化框架
GeoReform 将几何形式化视为可优化策略而非固定解析器输出，通过执行完整推理流程、收集失败轨迹、诊断当前表示缺陷并变异策略，改进几何实体、关系、约束与目标的选取、定位、分组和呈现。在 Geometry3K 上，该方法将 Qwen3VL-2B 的准确率从 42.0% 提升至 56.0%。
arXiv cs.AIAI 评分2222 HANS：面向噪声混合文档解析的手写答题纸数据集
研究团队推出 HANS，首个面向真实教育场景的手写答题纸数据集，涵盖数学表达式、自然语言文本、手绘表格及划线、涂改等噪声模式，并提供细粒度标注。基于该数据集提出的端到端框架 NA-GOT，通过特征级轻量噪声抑制模块与解码阶段的噪声感知注意力机制实现两阶段噪声抑制，在答题过程识别的准确率与稳定性上均有显著提升。数据集将在论文发表后公开。
arXiv cs.AIAI 评分1515 BATok：面向指令化电磁频谱理解的预算自适应信号分词器
研究者提出预算自适应信号分词器 BATok，可根据输入长度调整 token 容量并按信号内容分配，token 数量随长度自适应且严格有界，再投影到 VLM 的语言嵌入空间。同时发布 EMSpec-Instruct 多模态指令数据集，对齐原始 I/Q 信号、瀑布图与语言监督，覆盖调制识别、结构化检测和语言条件信号定位。实验显示 BATok 学到有效信号表示，在所有任务上取得有竞争力的表现。
arXiv cs.AIAI 评分2222 OA-MAP：面向可解释膝骨关节炎进展评估的证据锚定多智能体多模态框架
研究团队提出 OA-MAP，一个用于膝骨关节炎（KOA）结构与疼痛进展评估的自主多智能体框架，包含 MRI、X-ray 和临床智能体及一个协调智能体，可自主调度专家智能体、选择工具并检索文献作为外部证据。
arXiv cs.AIAI 评分3434 MultiWorldBench：独立控制的视图能描述同一个共享世界吗？
研究团队推出 MultiWorldBench，一个包含 495 个案例配置、覆盖七类任务套件与十项能力的 Minecraft 诊断基准，用于检验多玩家世界模型中独立控制的视图是否共享同一持久世界。
arXiv cs.AIAI 评分2020 TRACE：面向认知的真实社交场景情绪因果链追踪框架与 TRACE-Bench 基准
研究者提出认知导向框架 TRACE，将情感事件形式化为 Condition、Affect、Effect 三个关联阶段，并构建 TRACE-Bench，用 646 个视频上的 3,746 条结构化问答覆盖情感识别、调节解码、原因推理、结果推理与全链重建五项任务。
arXiv cs.AIAI 评分2424 UniData：通用多模态指令生成流水线
UniData 是一个通用指令生成流水线，可将简单用户需求转化为多轮、多模态指令，并借助 any-to-any 大模型生成数据，通过修正无关与冗余推理流提升质量。团队同时构建了覆盖九种模态、含 20,000 条数据的 UniDataset，实验显示 UniData 在数据质量上达到 SOTA，并能增强其他多模态模型的理解与生成能力。该工作已被 EMNLP 2026 Findings 接收。
arXiv cs.AIAI 评分2424 MedBenchAgent：迈向医疗 VLM 基准构建的系统化自动化
北京邮电大学与华西医院等团队提出 MedBenchAgent，一个基于 Benchmark Intermediate Representation（BIR）的多智能体框架，将医疗 VLM 基准构建形式化为"约束编译"，把规范推导与条目实例化分离。
arXiv cs.AIAI 评分2424 Harness Compilation：小型视觉语言模型应保留哪些决策？
研究者提出 Harness Compilation（HC），一种离线流程，通过大模型教师依据学生执行轨迹修订可复用内容与控制逻辑，重新分配冻结小型 VLM 与外部 harness 之间的分工，部署时无需更新权重或调用教师模型。
arXiv cs.AIAI 评分2323 GameCommBench：面向 AI 生成游戏解说的统一基准与类型感知评测
研究者提出 GameCommBench，一个覆盖棋类、体育与电竞的统一基准，其解说数据对齐异构游戏语境并按解说类型标注，同时提出类型感知解说评测框架 TACE。TACE 已通过可靠性与人类一致性验证，并用于评测代表性 AI 解说模型，结果显示能力分布不均衡，实时观察与策略分析是主要瓶颈。
arXiv cs.AIAI 评分3131 GenUI-Harness：面向主动交互的数据感知生成式 UI 框架
GenUI-Harness 是一个多智能体框架，由负责信息检索与任务执行的 Tool Agent 和生成结构化界面前端代码的 GUI Coder Agent 组成，并配套 Dynamic UX 沙盒与 Reward Auditor 元奖励机制。
RadarAIAI 评分2424 千问3.8-Max、Qwen3.8-Flash 与 Wan3.0 在 GMI Cloud 限时免费开放一周
千问3.8-Max、Qwen3.8-Flash 和 Wan3.0 在 GMI Cloud 上限时免费开放一周，并提高了三款模型的速率限制。GMI Cloud 还发起作品征集，按最具创意、最具挑战性和投入最多评选 3 名获奖者，各获 200 美元现金加 200 美元 GMI credits。
GitHubAI 评分1212 enton：基于视觉与语音的开源 AI 机器人助手
GitHub 项目 enton 是一个自主 AI 机器人助手，结合计算机视觉、语音转文字、文字转语音和自然语言理解，可识别物体与人、听懂语音指令并语音回应，无需编程即可运行。其语音转文字采用 Whisper 开源模型，基于 Python 与 PyTorch 构建，支持 CUDA GPU 加速，需 Windows 10 及以上 64 位系统、8 GB 内存和至少 2 GB 磁盘空间。
GitHubAI 评分1212 UniFER：简化面部表情识别的开源工具
UniFER 是一款面部表情识别软件，可从图像中识别情绪，并支持与大型语言模型结合以增强识别效果。该工具提供实时处理、无需编程知识的友好界面，支持 Windows 10 及以上和 macOS Mojave 及以上系统，最低要求 4 GB 内存和 500 MB 磁盘空间，用户可从 Releases 页面下载 .exe 或 .dmg 安装包。
GitHubAI 评分2222 ResuMate AI：7 个 AI 智能体驱动的全栈招聘平台
ResuMate AI 是一个全栈多智能体招聘平台，由 7 个专用 AI 智能体编排从简历解析到实时视频面试的完整招聘流程，并可通过对话式 AI 助手 Jarvis 以语音或文字端到端操控。平台提供简历上传与 RAG 分析、候选人评分排名、GitHub 扫描与简历情报、AI 评估报告、面试安排及带面部追踪的 AI 虚拟形象视频面试，候选人端支持邮箱登录与个性化分析。
GitHubAI 评分3838 Snaphaul：拍照生成 eBay / Etsy / Poshmark / Mercari 商品刊登
Snaphaul 可将 1-5 张商品照片生成适配 eBay、Etsy、Poshmark 或 Mercari 的刊登内容，自动识别物品并给出标题、描述、商品属性、标签及带区间的价格建议。目前为免费公开测试版，每个浏览器会话可匿名生成 10 次、无需账号，基于 cookie 的额度仅为提示性限制。它只生成文本和结构化字段，不会直接发布刊登、不保留历史记录，也不提供保证性估价。
Hacker NewsAI 评分6666 Liquid AI 发布 d1-3B 与 d1-omni-600M 端侧决策模型
Liquid AI 发布 d1 决策模型家族的两款开放权重模型 d1-3B 和 d1-omni-600M，均已在 Hugging Face 上线。
RadarAIAI 评分2222 Luma AI：Jon Erwin 用 AI 拍摩西
Jon Erwin 在曼哈顿海滩的一个舞台上，用真实演员加上 Luma AI 拍出了《摩西》，AI 将演员带入故事所需的任何世界。Luma 称，预算曾决定一个故事能在哪里拍成。
GitHubAI 评分3838 Mulakai：基于 ACE-Step 1.5 的单用户网页版 AI 音乐编辑器
Mulakai 是一个单用户网页版 AI 音乐编辑器，用 ACE-Step 1.5 生成歌曲后可就地编辑：在波形上选区重绘（repaint）、叠加新乐器或人声层，每次迭代都保留为可回退、可对比的版本。
GitHubAI 评分6262 OpenStory 开源：把脚本自动转成风格统一的 AI 视频
OpenStory 在 GitHub 开源，输入脚本即可自动完成场景拆解、AI 图像生成、图生视频与合成，并保持角色、场景、色调和光照在各镜头间一致。项目支持通过 Fal.ai 生成图像与音视频、用 OpenRouter 做 LLM 脚本分析，可选把成片发布到 TikTok、Instagram、YouTube、LinkedIn、X 等平台，团队共享素材库标注为即将推出。
GitHubAI 评分2222 hsmahon/eval-decision-models-captcha：决策模型能否破解 CAPTCHA 评测
开发者 hsmahon 用 COCO 2017 真实照片裁剪成 3×3 至 5×5 网格，构建视觉决策复杂度递增的 CAPTCHA 式评测，测试决策模型能否解题。
GitHubAI 评分2222 和我恋爱吧（HeWoLianAiBa）：全栈 TypeScript AI 恋爱模拟游戏开源
开源项目 HeWoLianAiBa（和我恋爱吧）是一款跑在浏览器里的全栈 AI 恋爱模拟游戏，用 TypeScript 构建，角色具备长期记忆、性格与好感度成长。
GitHubAI 评分1818 LatinoTech IA：基于 Claude 的多语言 AI 数字新闻平台
LatinoTech IA 是一个自动化数字新闻平台，通过 RSS 抓取科技资讯，调用 Claude 生成至少 600 词的文章，并同步产出葡萄牙语、西班牙语和英语三个版本。平台内置编辑审核面板、Google Indexing API 自动提交、Telegram 三频道分发及按语言分段的 newsletter，默认每日每语言限发 3 篇。
GitHubAI 评分6262 mere.run 发布本地 AI 运行时，支持多模态生成与 OpenAI 兼容 API
mere.run 发布面向开发者的本地 AI 运行时，通过 CLI 完成媒体生成、语言模型推理、图像与地理空间数据分析，并可训练适配器、评测模型、提供 OpenAI 兼容 API 和运行可移植工作流图。
GitHubAI 评分3333 Scenario 发布 Blender 插件：在 Blender 内生成图像、视频、3D、PBR 材质与音频
Scenario 推出实验性 Blender 插件，可将图像、视频、3D、PBR 材质和音频生成能力接入 Blender 场景，支持以场景截图和选中网格作为输入，并用 Blockout 把文字场景描述转成灰盒布局。
GitHubAI 评分1515 galihru/facemind：基于面部表情的心理健康分析应用
galihru/facemind 是一款结合计算机视觉与机器学习、通过面部表情分析心理健康的应用，包含登录系统和基于面部关键点的实时心理健康分析，使用 OpenCV、Mediapipe 和 PyQt5 构建。
GitHubAI 评分2222 ImWeb：STEIM 传奇实时视频合成工具 Image/ine 的浏览器重制版
ImWeb 将 STEIM Amsterdam 的 Tom Demeyer 与 Steina Vasulka 在 1990 年代创作的实时视频合成工具 Image/ine 重制为浏览器版本，免费开源、无需安装，基于 Three.js、Vite 和原生 WebGL shader 构建。
GitHubAI 评分4848 Juno：多模态 AI 平台与原生客户端生态
Juno 是一个生产级多模态 AI 平台，提供 Web、macOS 与 iOS 原生客户端，支持流式对话、深度研究、持久记忆、Canvas Artifacts、MCP 连接器、实时语音与云端/设备代码智能体。
GitHubAI 评分1515 BloomFX：用手势实时生成数字花朵的 Windows 应用
BloomFX 是一款 Windows 10/11 应用，通过摄像头追踪手部动作，将手势实时转化为程序化生成的花朵动画，移动手部即可让花朵生长绽放。它基于计算机视觉库识别手部关键点，用 Bézier 曲线绘制形状，所有视频数据均在本地处理、不上传服务器。程序需 Intel Core i5、8 GB 内存及支持 OpenGL 3.3 的显卡，当前版本仅支持 Windows，暂不支持保存花朵。
RadarAIAI 评分6262 Voyager 发布：面向创意工作的开放 Agent 工具
Anvisha 发布 Voyager，定位为面向视频、图形和游戏等创意工作的开放 harness，被称为创意工作领域的 Codex。该 macOS 应用在本地运行，可驱动 After Effects、DaVinci Resolve、Blender、Ableton、Unity 及 100 多个其他工具，并编排 Seedance、Veo、H3 Max 等视频模型。
Hacker NewsAI 评分3636 Cliphouse 发布 LLM Motion Graphics Benchmark：10 款模型同题生成 Remotion 动效视频
Cliphouse Research 发布 v1.1 Motion Graphics Benchmark，让 Claude Opus 5.5、GPT-6.1 Sol。
Hacker NewsAI 评分6060 Speridlabs 发布像素空间生成模型 Iris-3B
Speridlabs 发布 Iris-3B，一个 3B 的 flow-matching transformer，直接生成原始 RGB 像素，无需 VAE 参与，可充当通用视觉学习器。
GitHubAI 评分3636 浏览器版 Mario Kart 64 克隆项目 MarioKart64JS 发布
AgentiLoop 发布浏览器版 Mario Kart 64 克隆项目 MarioKart64JS，基于 Three.js + Vite，直接提取原版 N64 ROM 素材，无需模拟器。