SeePhys Pro：重新审视多模态物理推理中的视觉理解与训练收益

来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。

重构线性视觉Transformer，精度与效率双平衡 | CVPR'25

南洋理工、北航与合工大联合提出CARE Transformer，以非对称解耦建模局部与全局，降低计算开销、提升特征表达。实验显示其在移动端低延迟高精度，打破“效率与精度不可兼得”困局。

创新中心| AI视觉创意不再拼“出图快”，而是拼“人味浓”？

北京AIGC视听产业创新中心位于朝阳区，是推动影视制作基地建设的举措。由多方参与，首创郎园运营，提供六大服务平台，截至2025年8月汇聚60余家伙伴。首创郎园拓展能力，项目延伸多地。

千卡集群破壁之道：vivo视觉多模态大模型训练效率跃迁实战

多模态大模型在多领域需求增长，但千卡级 GPU 训练挑战大。vivo AI 架构师王兆雄在大会演讲，结合 LLaVA 和 DiT 模型实践，解析优化策略，分享提升训练效率与稳定性的经验，还展望了 AI Infra 未来。

CVPR 25 |全面提升视觉感知鲁棒性，生成模型快速赋能三维检测

香港中文大学（深圳）等单位学者提出 DriveGEN 无训练自动驾驶图像可控生成方法，无需额外训练生成模型，通过两阶段策略扩展训练数据，提升三维检测模型鲁棒性，代码已开源。

【明日开幕】山洋平个展《风铎》，观一场视觉风动｜三影堂厦门

炸裂提速30倍！Meta提出REFRAF，无需改动模型，让RAG告别冗余与等待

近年来，RAG任务在提升模型回答质量的同时带来性能代价，Meta等团队合作提出REFRAG框架。它将无关段落压缩，引入强化学习选关键段落，实现高达30.85倍的TTFT加速，且无需改模型结构，实用性强。

LoRA中到底有多少参数冗余？新研究：砍掉95%都能保持高性能

这篇创新研究介绍了LoRI技术，证明即使大幅减少LoRA的可训练参数，模型性能依然强劲。研究团队在多个任务上测试了LoRI，发现仅训练LoRA参数的5%，LoRI就能匹配或超越其他方法的性能。

西湖大学张驰团队：从视觉合成到空间理解，视频 AI 正在「转向」丨CVPR 2026

过去两年视频生成发展近成熟，但多数模型缺乏空间结构稳定建模能力。西湖大学AGI Lab团队提出论文，将问题落回推理阶段，让相机轨迹成约束条件，推进视频生成到三维结构约束建模。

全球首个人形机器人通用视觉感知系统，Humanoid Occupancy建立多模态环境理解新范式

北京人形机器人创新中心推出 Humanoid Occupancy 感知系统，创新性融合多模态传感器信息，构建通用感知框架。它以语义占用表征为核心，有全编码和适配融合优势，经实验验证性能优，推动机器人迈向通用感知时代。