最近（2025年10月）发布的多模态大模型基本采用原生分辨率的图像配置，例如Kimi-VL、Qwen3-VL、Seed1.5-VL等。以Qwen3-VL为例，采用原生分辨率输入，保证输入图像的无损高清。然而，鲜有研究工作去分析图像分辨率、图像宽高比对多模态大模型的影响。北大、上海人工智能实验室等机构的研究人员构建评测集RC-Bench（Resolution-Centric）、原生分辨率多模态大模型

实验设计了不同的设置，如移除示例中的图像、替换为空白图像、移除查询图像等，以评估不同模态信息对ICL性能的影响。➡️ 实验设计：实验设计了多种攻击条件，包括不同的图像生成方法（如Stable Diffusion和Typography）、不同的攻击目标（如非法活动、仇恨言论、物理伤害等），以及不同的模型响应类型（如安全响应、恶意响应）。为了填补这一空白，研究团队设计了一种新的视觉提示攻击方法，旨在评

➡️ 研究动机：为了定义和评估MLLMs在低级视觉感知和理解任务中的自我意识能力，研究团队提出了QL-Bench基准测试，通过构建LLSAVisionQA数据集来模拟人类对低级视觉的反应，探讨MLLMs在低级视觉感知中的自我意识。研究发现，MLLMs中的图像令牌存在明显的冗余，这不仅增加了计算负担，还影响了模型的效率。➡️ 问题背景：多模态大语言模型（MLLMs）在视觉感知和理解方面展现了显著的能

最后，利用MLLMs的预测结果来优化视觉模型的参数，从而提高其在OOD任务中的鲁棒性。➡️ 研究动机：为了提高视觉模型在OOD场景下的鲁棒性，研究团队提出了一种新的方法——机器视觉疗法（Machine Vision Therapy, MVT），通过利用MLLMs的知识来纠正视觉模型的错误预测。➡️ 方法简介：研究团队提出了EtC（Expand then Clarify）方法，首先使用MLLMs生成

➡️ 研究动机：为了弥补现有方法的不足，研究团队提出了一种新的框架CaRDiff（Caption, Rank, and generate with Diffusion），该框架通过整合多模态大语言模型（MLLM）、接地模块和扩散模型，增强了视频显著性预测的能力。为了解决这些局限性，研究团队提出了一种新的多模态代理框架，旨在适应动态的移动环境和多样化应用，通过构建灵活的动作空间和结构化的存储系统，增

实验设计了不同的因素（如面部表情标签的多样性、面部图像的裁剪等），以及不同类型的评估指标（如准确率、UAR、WAR等），以全面评估EMO-LLaMA在不同条件下的表现。➡️ 研究动机：为了增强MLLMs在面部表情理解方面的能力，研究团队提出了一种新的MLLM——EMO-LLaMA，通过结合预训练的面部分析网络中的面部先验知识，提高模型对人类面部信息的提取能力。➡️ 研究动机：研究团队发现，现有的M

本研究探讨了多模态大型语言模型（MLLMs）在推理过程中的计算冗余，并提出了不同的方法来跳过计算，如跳过整个块、前馈网络（FFN）或自注意力（SA）层，以及并行化某些层，如FFN和SA层。该框架包括冻结的LLM、可训练的映射模块（C）和冻结的感知编码器（EM），用于处理不同模态的输入。➡️ 研究动机：为了提高AEB系统在开放场景中的适应性，研究团队提出了Dual-AEB系统，该系统结合了先进的多模

➡️ 研究动机：为了解决MLLMs在处理数学图表时的不足，研究团队提出了Math-PUMA，一种基于渐进式向上多模态对齐（Progressive Upward Multimodal Alignment, PUMA）的方法，旨在通过三个阶段的训练过程增强MLLMs的数学推理能力。然而，现有的MLLMs在心脏病诊断方面表现不佳，尤其是在ECG数据分析和长文本医疗报告生成的整合上，主要原因是ECG数据分

➡️ 论文标题：DeCo: Decoupling Token Compression from Semantic Abstraction in Multimodal Large Language Models➡️ 论文作者：Linli Yao, Lei Li, Shuhuai Ren, Lean Wang, Yuanxin Liu, Xu Sun, Lu Hou➡️ 研究机构: 北京大学、香港大学

➡️ 方法简介：研究团队基于不同的预训练开源多模态大语言模型（MLLMs），如Qwen-VL、InternVL、Deepseek-VL，使用监督微调（SFT）、检索增强生成（RAG）和基于人类反馈的强化学习（RLHF）技术，将跨域知识注入MLLMs，从而构建多个小麦育种多模态大语言模型（WBLMs）。同时，小麦育种涉及生物学、遗传学、气象学和土壤科学等多个学科的交叉，专业人员在进行育种工作时需要跨