本文揭示了多模态大语言模型（MLLM）在"视觉到代码"任务中存在"海市蜃楼"缺陷：模型会绕过视觉输入，依赖文本提示中的语义信息生成代码模板，而非真正理解电路图。研究提出VeriGround解决方案，通过标识符匿名化训练数据和决策聚焦偏好对齐算法（D-ORPO），强制模型学习视觉拓扑结构。实验表明，4B参数的VeriGround在匿名化测试中功能正确率达42.

本文介绍了DeepSeek团队提出的Vision-R1多模态推理模型，该模型通过"冷启动数据构造+强化学习精炼"的两阶段训练范式，显著提升了多模态模型的逐步推理能力。针对多模态推理数据稀缺的痛点，Vision-R1创新性地采用"模态桥接"方法自动生成高质量思维链数据（Vision-R1-cold数据集），并提出渐进式思考抑制训练（PTST）解决模型&quot

【视频理解评测新基准】Video-MME（CVPR2025）解决了视频多模态领域缺乏统一评测标准的核心痛点。该基准通过覆盖不同时长/类型/场景的视频内容，综合评估模型在时序推理、细粒度识别等维度的能力，已被Gemini、GPT等旗舰模型采纳为官方评测标准。其创新点在于：1）建立首个全面视频评测体系；2）揭示采样帧数/分辨率对成绩的影响；3）持续维护避免数据失效。目前该基准已成为衡量视频理解能力的&

这篇综述文章探讨了统一多模态理解与生成模型的最新进展，分析了三大技术范式：纯扩散模型（擅长图像生成但推理能力弱）、纯自回归模型（推理能力强但图像生成效率低）以及混合架构（结合两者优势）。文章指出该领域的核心挑战在于表示方法、跨模态交互和评估基准，并强调这一方向对实现GPT-4o级别多模态能力的重要性。作为持续更新至2026年的综述，它为研究者提供了清晰的技术路线图，特别适合初入该领域的研究生快速把

本文系统梳理了GPT-4o之后多模态生成的三大技术路线：1）纯自回归（AR）路线通过统一token化处理图文数据，架构简洁但生成效率低；2）纯扩散路线采用并行去噪生成，图像质量高但推理能力较弱；3）混合路线结合AR的语义规划和扩散的生成优势，成为当前主流方案。文章对比了各路线代表模型的技术特点、优势短板及适用场景，建议研究者从混合架构入手，重点关注tokenization、跨模态注意力和训练数据三

我们还注意到，近期不少同学反馈Codex安装中遇到各种报错，我们整理了近期的真实问题反馈，按 Windows 和 Mac 分类，并附上经过验证的解决步骤。为避免各位在下载过程中遇到的困难，我们还准备了 Mac 和 Win 的安装包。如果你也在安装过程中出现问题，欢迎后台私信我【B636】，这份问题解决指南和安装包会免费发送给您。

【摘要】近期AI研究正从"更大模型"转向"更聪明的外部技能机制"，Skill进化成为提升Agent能力的新方向。三个代表性研究展示了技能全生命周期的创新：1）SkillEvolver通过元技能自动生成可复用技能，在83个任务上反超人工技能13.3%；2）EmbodiSkill区分执行失败与技能缺陷，通过四层反思机制提升具身任务成功率至93.28%；3）达尔文

【摘要】近期AI研究正从"更大模型"转向"更聪明的外部技能机制"，Skill进化成为提升Agent能力的新方向。三个代表性研究展示了技能全生命周期的创新：1）SkillEvolver通过元技能自动生成可复用技能，在83个任务上反超人工技能13.3%；2）EmbodiSkill区分执行失败与技能缺陷，通过四层反思机制提升具身任务成功率至93.28%；3）达尔文

【摘要】近期AI研究正从"更大模型"转向"更聪明的外部技能机制"，Skill进化成为提升Agent能力的新方向。三个代表性研究展示了技能全生命周期的创新：1）SkillEvolver通过元技能自动生成可复用技能，在83个任务上反超人工技能13.3%；2）EmbodiSkill区分执行失败与技能缺陷，通过四层反思机制提升具身任务成功率至93.28%；3）达尔文

本文系统梳理了GPT-4o之后多模态生成的三大技术路线：1）纯自回归（AR）路线通过统一token化处理图文数据，架构简洁但生成效率低；2）纯扩散路线采用并行去噪生成，图像质量高但推理能力较弱；3）混合路线结合AR的语义规划和扩散的生成优势，成为当前主流方案。文章对比了各路线代表模型的技术特点、优势短板及适用场景，建议研究者从混合架构入手，重点关注tokenization、跨模态注意力和训练数据三