DisasterVLG 发布 124 万张灾害图像多任务数据集，覆盖视觉定位与证据式推理
研究团队构建 DisasterVLG 大规模多任务数据集，包含来自 142 个国家的 124 万张灾害图像和 3300 万条结构化标注，覆盖密集描述与定位、事件评估、关系场景描述和灾害视觉问答（VQA）。
推荐理由：该数据集把灾害场景的视觉定位与证据式问答统一起来，并给出人工核验测试集，便于评估模型在真实不确定性下的推理能力。
#多模态
arXiv · cs.CV精选AI 评分7272 arXiv · cs.CV精选AI 评分7171 Interactive Visual Gym 提出闭环视觉交互评测框架与 IVG-Bench 基准
作者提出 Interactive Visual Gym 框架，通过联合模拟可执行任务环境与人类用户，对视觉交互模型做闭环评测与训练，并构建含 315 个交互场景的 IVG-Bench。
推荐理由：该基准用模拟用户做闭环评测，并给出当前 VLM 在交互任务上的完成率与延迟短板，可供做视觉交互评测的读者参考。
arXiv · cs.CV精选AI 评分6060 Blueprint2CAD 基准发布：评测视觉模型能否匹配工程图与 CAD 渲染图
研究团队提出 Blueprint2CAD 基准，用于判断正交线工程图与另一视角的着色渲染图是否对应同一零件，其数据层 BlueCAD-30K 基于 29,925 个 Zero-to-CAD 模型生成六视角图纸与渲染。
推荐理由：该基准把视角变化与骨干网络的影响分开考察，并给出冻结编码器和零样本 VLM 的具体表现，便于读者判断工程图检索任务的真实难点。
arXiv · cs.CV精选AI 评分7272 MMEarth-Bench：面向全球地球观测的多模态测试时训练基准
作者提出 MMEarth-Bench，包含五个环境任务、12 种模态和全球分布数据，并提供随机与地理两种测试划分。基准测试显示多模态预训练在少标注下更稳健，但地理泛化仍较差，数据充足时随机初始化的多模态模型也具竞争力。作者进一步提出模型无关的 TTT-MMR 方法，在测试时用全部可用模态做重建辅助任务，在两个划分上均提升各模型表现，数据集、代码与可视化工具见项目页。
推荐理由：材料给出五个新任务、12 种模态和地理切分，并指出地理泛化仍是短板，读者可据此判断多模态地球观测模型的真实能力边界。
arXiv · cs.CV精选AI 评分7070 PixVid 将潜空间视频扩散模型提升到像素空间逐帧生成
PixVid 把预训练的潜空间视频扩散模型迁移到像素空间，用卷积头替换 VAE 解码器，直接逐帧生成像素视频。作者发现预测干净视频而非速度、配合更大的噪声偏移是保证质量的关键；从 Wan2.1-14B 微调后，在约 1.3M 训练片段内与潜空间基线相当，并以相同每帧 token 数生成 2 倍分辨率，深度条件视频编辑在快速运动下保持对齐，且能逐帧响应动作。
推荐理由：作者把预训练潜空间视频扩散模型迁移到像素空间逐帧生成，并给出与潜空间基线可比的条件和训练规模。
arXiv · cs.RO精选AI 评分7272 SWAM：通过跨模态对齐扩展世界动作模型
作者构建约 47,000 小时通用视频、第一视角视频、UMI 演示与机器人演示数据，系统研究语言-视频监督、语言-视频-动作监督及二者联合对世界动作模型性能的影响，并考察语言标注质量与动作监督的作用。
推荐理由：作者系统梳理了动作学习对语言-视频对齐的影响，并给出可复现的数据与训练配方，对做世界动作模型的研究者具有参考价值。
arXiv · cs.CV精选AI 评分7878 Ropedia Xperience 2 发布：1,589 个 3D 扫描与 4,230 段自我中心行为记录
研究团队发布 Ropedia Xperience 2，包含 1,589 个已公开的米制尺度 3D 扫描，以及覆盖 74 项任务、共 131 小时的 4,230 段自我中心录制。
推荐理由：该数据集同时提供环境扫描与人类行为演示，并给出转成机器人学习数据的流程，可供关注具身智能数据规模化的人参考。
arXiv · cs.RO精选AI 评分7575 美团机器人团队提出桌面操作 VLA 基础模型 MR0，RoboTwin 2.0 成功率 93.6%
美团机器人团队提出面向固定底座桌面操作的视觉-语言-动作基础模型 MR0，在 RoboTwin 2.0 上达到 93.6% 成功率，并在 RoboDojo VLA 赛道排名第五。
推荐理由：美团机器人团队公开了 MR0 的三阶段训练配方、Rollback 数据构造方式和真实机器人对比结果，可供具身智能研究者评估复现。
arXiv · cs.CV精选AI 评分7878 Open Vision Banana：将预训练图像生成器转为多任务感知系统的全开源方案
研究团队提出 Open Vision Banana（OVB），一套把预训练图像生成器转换为统一多任务感知系统的全开源可复现方案。基于 4B 和 9B 参数的开源基础模型、使用 2.1M-3.8M 公开数据集训练对，OVB 在 Cityscapes 零样本上达到 73.9 mIoU，超过 Vision Banana 报告的 69.9。
推荐理由：原文公开了把预训练图像生成器改造成多任务感知系统的完整配方，并给出与 Vision Banana 的零样本对比数字。
arXiv · cs.RO精选AI 评分6767 NSDL：用神经符号分工做多机器人任务规划，7B 模型在 VIKI-L2 达 97.0% 分布外准确率
作者提出 NSDL，让小型视觉语言模型只判断场景状态与任务分工并写成计划草图，再由确定性求解器展开为可执行的联合计划，模型在训练中调用检测器与求解器两个工具。
推荐理由：论文把多机器人任务规划拆成视觉判断与确定性求解两部分，并在两个基准上对比端到端方案，还开源了代码与基准。
arXiv · cs.RO精选AI 评分7878 Reins：前沿多模态模型零样本驱动真实机械臂完成长程任务
作者提出 Reins 框架，让现成的前沿多模态模型借助 3D 感知工具和可报告接触与抓取状态的原子动作，操作双臂机器人完成长程、接触密集的操作任务。在五个真实任务上，GPT-6.1 Sol 在自然语言提示、无任务专用代码的条件下成功率为 88%；不使用该框架时，它在所有 shell game 任务上均失败，耗时是前者的 8 倍。
推荐理由：作者提出让前沿多模态模型通过工具与原子动作驱动双臂机器人的框架，并给出真实机器人长程任务的成功率对比。
arXiv · cs.CV精选AI 评分7474 CaseScope：面向多视野病理诊断的多模态 LLM 基准
研究团队提出 CaseScope，一个要求模型综合同一病灶多个视野进行诊断的病理基准，包含 CaseScope-Teaching 的 436 例和 CaseScope-Atlas 的 800 例，覆盖 18 个器官系统的 843 个实体、共 4,679 道题。
推荐理由：该基准用多视野病理诊断和十选项轮换评测，揭示开源与专有 MLLM 在诊断稳定性上的明显差距。
arXiv · eess.AS精选AI 评分7575 GigaSpeechBench：覆盖多语言、方言与口音的 690 小时真实场景语音识别基准
研究团队发布 GigaSpeechBench，一个包含 690 小时人工标注语音的多语言、多维度真实场景 ASR 与 AST 基准。它分为五个模块：12 种中东和东南亚低资源语言加日语、韩语，6 种中文方言，6 种英语口音，中英文 12 个垂直领域的密集术语，以及老年人和儿童语音；并为 11 种语言提供人工标注的中英文翻译以支持 AST 评测。
推荐理由：该基准把低资源语言、方言、口音、术语和老人儿童语音放进同一评测，并显示主流模型与商业 API 在这些场景下明显退化。
arXiv · cs.CV精选AI 评分7373 CineMME：面向对话定位与叙事推理的多模态视频理解基准
研究团队提出 CineMME，一个经人工核验、约 1600 专家人时标注的叙事视频理解基准，包含 975 段短叙事视频和 CineMME-Grounding、CineMME-Reasoning 两条关联评测轨道。
推荐理由：CineMME 把对话定位、说话人绑定与叙事推理串成同一条证据链，其评测结果揭示当前多模态模型在 who-what-when 上的解耦。
arXiv · cs.CV精选AI 评分6565 Duo v1：面向全双工交互的互惠世界模型 RWM
研究团队提出互惠世界模型（RWM）并发布 Duo v1，一个持续感知音视频输入、同时实时回应用户的全双工世界模型。RWM 把智能与物理现实视为同等基础，划分出提供交互认知的 Intent 与生成连贯音视频行为的 Realization 两项能力。
推荐理由：提出把意图推理与音视频生成统一进世界模型的双模块框架，并给出三项训练设计，可供多模态交互研究参考。
arXiv · cs.CV精选AI 评分6262 SAVE：智能体视频推理中更简单的框架反而更有效
研究者在 Gemini 3 Flash 和 Gemma 4 两个骨干上对多种智能体视频推理框架做受控评测并核算 token 与成本，发现多数现有框架未能稳定优于原生视频推理且常增加开销。
推荐理由：在统一骨干与成本核算下比较多种智能体视频推理框架，并给出更简单的 SAVE 方案，便于判断复杂度是否值得。
arXiv · cs.CV精选AI 评分6262 RSLiveBench-UAV：面向航空空间智能的持续演进视觉语言基准
作者提出 RSLiveBench-UAV，一个由持续采集真实无人机影像驱动的视觉语言基准，采用只收录上一版本发布后拍摄图像并延迟公布答案的更新协议。基准包含来自10个场景的35,491条问题记录、覆盖2D感知、3D感知、跨视角感知与推理共17项任务，全部使用确定性评分而非模型评判。
推荐理由：该基准用持续采集的真实无人机影像更新题目，并给出30个模型的横向评测结果，可供读者判断航空空间智能的评测现状。
arXiv · cs.CV精选AI 评分7474 RPG 基准：AI 篡改视频检测器在真实部署条件下表现如何
研究团队提出 Reality Perception Gap（RPG）基准，包含 1 万段来自前沿生成器和部分合成编辑的视频，并经过跨平台转发压缩处理，同时搭配带有相机端光学伪影的真实素材。在 18 个检测器上，当误报率为 1% 时，没有一个检测器能识别出超过 15% 的伪造视频。对照实验和重编码扫描显示，生成器与内容偏移在压缩前就已削弱检测能力，而转发压缩会抹掉基于伪影的检测器所依赖的低层痕迹。
推荐理由：该基准把转发压缩与硬件伪影纳入评测，18 个检测器在 1% 误报率下漏检率极高，为视频取证评测提供了更贴近部署的设定。
arXiv · cs.RO精选AI 评分6060 Embodied-Corrector：从反馈中学习物理失败理解与纠正
研究提出 Embodied-Corrector，通过子任务边界注入扰动构建失败恢复数据，并以 Judge-Cause-Sub-Fine 监督和 OPD 训练模型理解执行偏差并修正规划。实验显示，冻结 VLA 时复合任务成功率提升 6.1 个百分点，固定 GPT-5.5 执行时操作与导航任务提升 13.9 个百分点。
推荐理由：论文针对具身智能体执行偏差，提出失败定位与纠正框架，并在冻结 VLA 和固定 GPT-5.5 执行两种设置下给出成功率提升。
arXiv · cs.CV精选AI 评分6262 BirdDreams：联合生成透视与 BEV 视频的驾驶世界模型
BirdDreams 是一个自回归驾驶世界模型，同时生成透视视频和示意性 BEV 视频，把场景布局纳入预测结果，从而无需未来车辆轨迹作为输入。模型用两个视频扩散 Transformer 分别处理两路视频，并通过联合注意力互相传递信息；预测的 BEV 还作为几何接口，按输入自车轨迹平移旋转最新帧，实现自车控制。
推荐理由：论文把 BEV 布局纳入预测目标，省去未来轨迹输入，并用双流联合注意力生成透视与 BEV 视频，为驾驶世界模型提供可对照的轨迹控制方案。