PAPER RADAR
VLM 论文速递
追踪视觉语言模型的新论文，提炼问题设定、方法亮点、实验结论与局限。
- 43
- 文章
- 每日精选
- 更新节奏
ARCHIVE
全部内容
VLM 论文速递 #043｜记忆干预、幻觉评测
本期聚焦 VLA 记忆的因果评测、对象幻觉定义与联邦测试时提示调优。
VLM 论文速递 #042｜搜索代理、流式记忆
本期关注多模态搜索代理、GUI 与代码协同、空间几何推理和流式视频记忆。
VLM 论文速递 #041｜几何推理、记忆控制
本期关注 VLM 的空间几何、流式记忆、视觉 token 压缩与视频世界模型推理。
VLM 论文速递 #040｜空间推理、实时 VLA
本期聚焦空间推理、实时交互、视觉 token 压缩与小型 VLA 的最新方法和评测。
VLM 论文速递 #039｜空间智能、可靠 VLA
本期聚焦最新视觉语言论文：空间表征、自动驾驶安全、具身操作与多模态代码智能。
VLM 论文速递 #038｜视频评测、VLA 自我改进
本期聚焦视频时空 grounding、动作计数与 VLA 闭环改进，观察模型如何从视觉证据走向可执行策略。
VLM 论文速递 #037｜空间推理、机器人记忆
本期从主动视角、遮挡推理到 VLA 个性化与记忆，关注视觉模型如何获取和保留关键证据。
VLM 论文速递 #036｜相机适配、动态视觉记忆
本期关注可变相机、几何特权、闭环分割与视觉记忆，VLM 正把感知接口做得更动态。
VLM 论文速递 #035｜未来状态、空间蒸馏
本期聚焦未来状态预测、空间几何蒸馏与可复用推理，VLA开始把控制成本压进表示和记忆。
VLM 论文速递 #034｜视频流、空间预测
本期聚焦高速视频流、视觉世界建模与空间预测，论文共同指向有限观察预算下的可靠推理。
VLM 论文速递 #033｜流式视频、可靠验证
本期聚焦流式视频感知、VLM自验证与多模态协同，摘要显示实时性和可靠性仍是两条硬约束。
VLM 论文速递 #032｜审计基准、剪视觉 token
本期五篇：三篇在质疑评测本身，两篇在压缩视觉与权重的成本。
VLM 论文速递 #031｜视觉智能体、证据追踪
本期五篇：统一视觉智能体 MintAct、VLM 行为诊断 DiaVLo、机器人失败求助的证据审计。
VLM 论文速递 #030｜主动取证、动作入模
本期五篇：证据该不该主动取、动作该怎么接进预测——前者被量化，后者被做成接口。
VLM 论文速递 #029｜视觉预算、VLA 可靠性
六篇同问 VLM 进入真实任务后的约束：视觉 token 预算、环内推理与动作视界可靠性。
VLM 论文速递 #028｜证据接地、否定塌陷
本期五篇同问「证据能否被指出」：文档答案接地、区域级 RL、音视频时序与否定理解。
VLM 论文速递 #027｜表征对齐、读出受阻
五篇同问信息在不在、出不出来：图像表征早与语言对齐，瓶颈在读出与路由。
VLM 论文速递 #026｜视觉出题、证据核验
本期五篇同问「证据有没有真被用上」：视觉模态出题、跨查询空间校验与 EEG 引导 ROI。
VLM 论文速递 #025｜可写性、隐私裁剪、重建
视频模型会正确的运动却不用它；VLM 可按问题裁剪视觉 token，兼顾隐私与带宽。
VLM 论文速递 #024｜视频 4D 分词、歧义坍缩
视频分词器转向 4D 世界表示，长视频 agent 改为按需取证；VLM 在 Dixit 上出现歧义坍缩。
VLM 论文速递 #023｜幻觉检测、单步动作
统一幻觉检测覆盖六类跨模态任务；VLA 把多步动作头换成单步生成，推理频率提升 3.67 倍。
VLM 论文速递 #022｜帧预算、参数共享
长视频理解把帧访问变成查询级预算，视觉 token 化用循环深度换参数，自回归解码补上尺度内依赖。
VLM 论文速递 #021｜世界写成程序、统一模型降本
本期两条线索：递归代码世界模型把复杂 3D 世界写成程序，原生统一多模态开始算成本与存储的账。
VLM 论文速递 #020｜重设接口、做实度量
本期两条线索是「重设接口、做实度量」：Show-Harness 让 VLM 零样本直接控制机器人，UOT-Gap 免训练诊断 modality gap。
VLM 论文速递 #019｜解耦与校准、tokenizer 度量
本期选五篇论文，主线为解耦与校准：图像 tokenizer 的「视觉语言」该如何度量。
VLM 论文速递 #018｜诊断—修复闭环、Agent 全栈化
五篇论文：具身与多模态的「诊断—修复」闭环成形，Agent 化从标题渗进方法本身。
VLM 论文速递 #017｜奖励模型释义脆弱、推理搬进训练期
本期暗线「语言通道太窄又太脆」：ROBORMBENCH 证明 VLM 奖励模型对改写脆弱，LSS 把推理在训练期烙进表征。
VLM 论文速递 #016｜解耦成一致信号、仪表读数仅 25.7%
本期选五篇论文，主线是解耦：工业仪表读数上最强 MLLM 联合准确率仅 25.7%。
VLM 论文速递 #015｜空间推理分解、可审计物理验证
五篇论文：VLM 空间推理的因子化分解，与可审计、带溯源证据的物理验证。
VLM 论文速递 #014｜3D 世界状态建模、物理一致性评测
本期暗线是「用什么尺子量与用什么信号训」：Puffin-World 原生建模三种 3D 世界状态，Principia 揭出物理一致性缺口。
VLM 论文速递 #013｜全开放视频世界模型、推理图像生成评测
本期选五篇论文：全开放可交互视频世界模型 SolarWM，与推理驱动图像生成的系统评测。
VLM 论文速递 #012｜视频完形填空、隐形水印可被洗
五篇论文：视频完形填空暴露时间对齐短板，共形风险控制与隐形水印可被提示词洗掉。
VLM 论文速递 #011｜单次前向视觉搜索、文档检索一次编码
本期看 VLM 的检索与证据：logit lens 单次前向完成细粒度视觉搜索，嵌套空间池化让文档检索一次编码支持多级压缩。
VLM 论文速递 #010｜视频定位提速 79x、ViT 头分工
本期选五篇论文：视频 grounding 延迟降 79 倍，ViT 注意力头分化为物体与背景专家。
VLM 论文速递 #009｜VLM 视觉检索头、证据从哪来与怎么验
五篇论文聚焦 VLM 证据链条：视觉检索头机制、视觉 token 压缩与跨视图定位验证。
VLM 论文速递 #008｜表格像素级压缩、GUI 接口重构
本期看「VLM 以什么接口与世界交互」：像素级表格压缩让长文档 QA 省 41% token 且 +7 分，软件操作改用结构化状态替代点击。
VLM 论文速递 #007｜跨具身视频世界模型、VLM 视觉检索头
本期选五篇论文：跨具身视频世界模型零样本充当物理模拟器，VLM 中发现约 2% 视觉检索头。
VLM 论文速递 #006｜原生视觉推理测试台、世界模型范式竞争
本期五篇论文指向世界模型与具身的范式竞争：可验证视觉推理、具身世界动作模型。
VLM 论文速递 #005｜千万小时视频数据、VLM 战术推理短板
本期主线是「验证与效率」：千万小时级开放视频数据基础设施，以及对世界模型与 VLM 战术推理的失败模式诊断。
VLM 论文速递 #004｜世界模型状态空间、视频意图推理
本期选五篇 VLM 论文：世界模型该预测像素还是几何、视频意图推理与检索文本的提示词注入风险。
VLM 论文速递 #003｜更少 token、时序推理与可验证安全
精选 E2S-Pruner、TimeCatch、EviSafe 等五篇 8 月 24 日论文：VLM 的挑战正在从“看清”转向“连续、可靠、负得起责任”。
VLM 论文速递 #002｜从“答对”走向证据、长视频与视觉规划
精选 VideoChat3、E-VQA、SynthDocBench 与 RxBrain：VLM 正在同时补齐高效视频感知、可验证证据、长文档诊断和视觉化规划。
VLM 论文速递 #001｜一篇新工作应该怎样读
用问题、方法、证据和边界四个层次快速拆解视觉语言模型论文，避免只记住模型名称和榜单数字。