多模态研究继续向“真推理”、视觉表征与具身控制深入:新基准开始揭短板,VLA 也在训练效率和真实道路决策上同步推进。
视觉推理开始接受更严格的因果检验
新工作不再只看最终准确率,而是检查模型是否真的使用了潜在视觉状态,并用细粒度找不同任务暴露现有 MLLM 的共性短板。关注这组研究,可以更准确地判断多模态模型的推理提升究竟来自机制改进还是数据捷径。

视觉表征与记忆机制继续重构
图像分词器被重新视作统一多模态模型的“视觉语言”,ViLoMem 则尝试用可生长、可修正的双流语义记忆帮助模型从错误中持续学习。这两条路线分别触及输入表征和长期纠错,是理解下一阶段架构演进的关键。

VLA 从数据扩张转向效率与真实决策
VLAct 强调在固定机器人数据预算下改进持续预训练,VLA-ADP 用动作感知动态剪枝降低推理成本,真实道路测试则把关注点拉回复杂路口和长尾场景。对具身智能与智驾开发者而言,这组内容同时覆盖训练、推理和落地验证。

原生多模态能力进入产品实测
社区实测显示 DeepSeek V4.1 Flash 在特定接入方式下可执行图片理解与后续任务,但模型自述与实际能力存在不一致。它适合用来观察产品接口中的多模态能力暴露方式,结论仍应以官方文档和可复现实验为准。

当前文章无评论,是时候发表评论了