ScenePilot-4K：面向自动驾驶视觉语言模型的大规模第一人称数据集与基准
ScenePilot-4K 是面向自动驾驶视觉语言模型的大规模第一人称数据集与基准，基于公开网络驾驶视频构建，用于安全感知的学习与评测。数据集包含 3,847 小时视频和 27.7M 前视帧，覆盖 63 个国家/地区、1,210 个城市，并提供场景级自然语言描述与风险评估等标注。
#多模态
OpenAlex 主题 · 多模态机器学习AI 评分4343
OpenAlex 主题 · 多模态机器学习AI 评分4242 超越语言先验：诊断与修复多模态大语言模型的视觉源幻觉
新研究以定量证据挑战主流观点——多模态大语言模型（MLLM）的物体幻觉主要源于语言先验，即过度依赖文本共现统计，并提出互补成因：视觉源幻觉。视觉源幻觉指幻觉源自错误的视觉特征提取，该工作据此给出相应的诊断与修复方法。
Google Research 博客精选AI 评分6666 Google 发表 Nature 论文：智能手表 AI 系统无袖带检测高血压迹象
Google Research 发表 Nature 论文，提出 AI-PPG-ACC-HTN 系统，利用普通智能手表的 PPG 与加速度计信号被动识别高血压迹象，无需袖带校准。
推荐理由：原文对照24小时动态血压监测金标准，给出初始筛查与确认检测两组性能数字，可帮助读者评估无袖带血压筛查的可行程度。
MarkTechPostAI 评分5555 Google Research 发布 Agile Deliberation 主观概念图像分类框架
Google Research 发布 Agile Deliberation，一个面向主观概念图像分类的人机协同框架，通过提示词调用 Gemini 2.5 Pro 与 Gemini 2.5 Flash、无需微调，平均比零样本 Gemini 2.5 Flash 提高 10.5 个 F1 点。
Google Research 博客AI 评分4343 Agile Deliberation：AI 如何帮助人类界定灰色地带
Google Research 推出 Agile Deliberation 框架，以人机迭代对话的方式构建主观类别图像分类器。框架先引导用户拆解子类别与排除项，再由 VLM 挖掘边界图像收集人类反馈，经 LLM 驱动的优化循环自动生成分类器，代码已在 GitHub 开源。18 场 1.5 小时真人会话评估显示，模型优于标准基线，并大幅降低用户疲劳与焦虑。
Import AIAI 评分4747 Import AI 479：太空战；低延迟任务 vs LLM；Genie 4
研究者构建 Realtime-Bench 基准，显示 LLM 难以胜任需实时决策的低延迟任务，GPT-6 Astra（high）在 wall clock 设置下通过率最高仅 36%。
Apple Machine Learning ResearchAI 评分4343 GHARP：基于大规模重建先验的实时高斯头部动画
Apple 于 2026 年 10 月在 ACCV 发表论文，提出实时 3D 头部动画方法 GHARP，仅需少量输入图像和表情驱动信号。该方法将离线身份建模与运行时动画解耦，动画阶段是面向移动设备优化的轻量网络。GHARP 在 Ava-256 基准上达到 SOTA 质量，在 A100 GPU 上最高提速 13×、高斯数量减少 8×。
Apple Machine Learning ResearchAI 评分4444 Selection-Based Structured Reasoning：迈向高效多模态搜索智能体
Apple 研究团队提出 Selection-Based Structured Reasoning（SSR）框架，将多模态搜索智能体的逐步推理从开放式生成改为从预置候选中选取。在 2B 和 4B 模型、七个多模态搜索基准上的评估显示，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低逾 90%，每题总模型推理延迟降低 28–54%。
Apple Machine Learning ResearchAI 评分5555 Apple 在 NeurIPS 发表三模态掩码扩散模型设计空间研究
Apple 研究团队在 NeurIPS 发表论文，提出首个从零预训练的三模态掩码扩散模型，训练数据覆盖文本、图文和音频文本。论文系统分析多模态缩放规律、模态混合比例、噪声调度和批次大小影响，给出基于 SDE 的重参数化以解耦物理与逻辑批次大小，免去批次大小调优。
GitHub Org · TencentARCAI 评分4040 TencentARC GAE（几何自编码器）：学习几何原生潜空间实现 3D 一致的世界生成
TencentARC 在 arXiv'26 发布 GAE（Geometric AutoEncoder）论文，提出学习几何原生潜空间以实现 3D 一致的世界生成。项目 GitHub 仓库为 TencentARC/GAE-GeometricAutoEncoder。
Microsoft Source · AIAI 评分5050 微软 PRISM2：教 AI 学会病理学的语言
Microsoft Research 与 Paige 联合开发病理学基础模型 PRISM2，以组织图像配对真实病理报告的语言进行训练，研究已发表于 Nature Medicine。在前列腺癌、乳腺癌和乳腺淋巴结转移检测等基准任务上，该模型匹配或超越专用癌症检测系统，且无需为每项任务单独建模。完整模型权重已在 Hugging Face 公开，供研究使用。
Moonshot AI / Kimi ResearchAI 评分4444 月之暗面 Kimi 团队发布 PerceptionBench：评测多模态大模型的原子级视觉感知能力
月之暗面 Kimi 团队发布 PerceptionBench，从 42 个基准上前沿模型的失败中归纳出 10 项原子视觉感知能力并据此评测多模态大模型。基准发布 3,000 道已验证题目，每题只隔离单一能力，看图即可作答，无需推理或外部知识。对 16 个前沿多模态大模型的评测显示无一准确率达 60%，感知相关幻觉是平均最弱的能力。
GitHub Org · TencentARCAI 评分4646 TencentARC 发布 ECCV 2026 论文 Track4World：前馈世界中心的全像素稠密 3D 追踪
腾讯 ARC 团队的 Track4World 论文被 ECCV 2026 收录，提出前馈式的世界中心（world-centric）稠密 3D 追踪方法，可对视频中所有像素进行追踪。项目以 GitHub 仓库 TencentARC/Track4World 形式公开。