AROMA：面向视觉语言模型的自适应多模态表征控制框架
原文标题：AROMA: Adaptive Representation-Oriented Multimodal Actuation for Vision-Language Model Control
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。
论文提出 AROMA，一个冻结 VLM 的控制框架，将干预位置、几何与增益、目标可达性与选择性部署拆分为独立控制问题。在 Llama-3.2-11B-Vision-Instruct 上，幅度归一化因果子空间干预使精确计数准确率提升 8 个百分点，迭代最小努力干预达到 81.25% 的 oracle 目标命中率。
AI 处理过程展开/收起
相关推荐
Neuro-VL 神经影像视觉语言模型发布，诊断表现超 OpenAI 与谷歌前沿模型
AI 摘要研究团队用近百万份常规临床神经影像研究训练视觉语言模型 Neuro-VL，可解读完整影像检查并用自然语言讨论所见。在内部与国际数据集上，其在异常诊断、定位、描述与生成放射报告方面优于通用前沿模型和专用医疗模型，并在抵抗误导性临床假设上强于 OpenAI 与谷歌的领先模型。
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。
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。
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。