arXiv cs.AI·2 小时前★ 3
研究解耦视觉语言模型中的多模态旋转位置编码 MRoPE
原文标题：Disentangling Multimodal Rotary Positional Embedding in Vision-Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
AI 智能摘要
论文将视觉内部空间结构与跨模态空间效应分离，研究 MRoPE 对文本 token 施加高宽坐标带来的影响。实验覆盖多种模型规模与 MRoPE 变体，发现跨模态空间效应作为空间参照收益甚微，甚至损害模型性能，而视觉内部空间编码对细粒度定位仍有效。
所属主题多模态3
阅读原文 +0
AI 处理过程展开/收起
原始标题：Disentangling Multimodal Rotary Positional Embedding in Vision-Language Models
AI 中文标题：研究解耦视觉语言模型中的多模态旋转位置编码 MRoPE
来源：arXiv cs.AI · 发布于 2 小时前
分类：多模态 · AI 重要度：★ 3（3）
标签：视觉语言模型 / 位置编码 / MRoPE / 多模态
关键词：视觉语言模型 / 位置编码 / MRoPE / 多模态
AI 处理：2026/11/11 15:02:43 · 模型 deepseek-chat · 规则版本 2026-10-21.1
相关推荐
36氪·1 天前★ 4
蚂蚁灵波发布 LingBot-Touch 触觉基础模型并开源
AI 摘要蚂蚁灵波发布 LingBot-Touch 触觉基础模型，基于近 5000 小时真实触觉数据预训练，覆盖磁触觉、视触觉与压阻式三类传感原理，可将不同信号统一为同一套触觉表征。该模型补齐机器人精细操作所需的触觉感知，技术报告、模型与代码已在 Hugging Face、GitHub 和魔搭开源。
#多模态
36氪·4 天前★ 4
谷歌发布 Gemini Omni 1.2 Flash 视频模型，单段时长增至 15 秒
AI 摘要谷歌推出 AI 视频生成模型 Gemini Omni 1.2 Flash，原生支持最长 15 秒视频，较上一代提升 50%，并新增多轮对话式编辑能力。新模型增强了对参考内容的遵循，可在多镜头间保持角色、物体与场景一致性，减少视觉漂移。
#多模态
36氪·5 天前★ 4
OpenAI发布图像模型Images 2.6，生成提速50%并新增GIF功能
AI 摘要OpenAI发布图像生成模型Images 2.6，面向全球用户在ChatGPT、Codex及API开放。生成速度较上版提升50%，增强多轮编辑的细节与角色、产品、品牌一致性，并新增GIF循环动画生成。API提供Flare与Sunburst两个版本。
#多模态
InfoQ AI·11 天前★ 4
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
#多模态
内容有误或摘要不准？告诉我们