算法论文8

EASE：给多模态RLVR装「视线校正器」

机器之心2026-09-03

AI 摘要

哈工大等团队：视觉语言模型RLVR中答案奖励有盲区，EASE利用证据标注框，在训练时监督注意力，教模型‘看对地方’，推理无需标注，多模态RLVR奖励正迈向过程监督。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

NEO - ov：抛弃编码器的多模态大模型

南洋理工大学等团队推出NEO - ov模型，挑战传统「视觉编码器 + 大模型」范式，直接从原始像素学语言。它在多任务表现出色，尤其空间智能突出，但在OCR等方面有短板，展现原生多模态建模潜力。

多智能体协同做视觉任务常轮次越多错得越离谱，根源是信息传递方式有缺陷。新国立等研究人员提出轻量通用的ViF范式，无需改造基座模型，可大幅压制幻觉滚雪球，已入选ICLR 2026。

普林斯顿刘壮团队、陈丹琦参与推出开源通用视觉推理RL框架Vero。它构建的视觉推理器在30多项测试达8B视觉语言模型SOTA，解决了开源RL方案的问题，所有数据、代码、模型均已开源。

中山大学梁小丹团队提出《ProPhy: Progressive Physical Alignment for Dynamic World Simulation》，通过分层建模和逐步对齐，引入视觉语言模型作监督，解决视频生成模型物理建模问题，提升物理正确性和视频质量。