ETCHR：通过编辑澄清与驾驭推理，提升多模态大语言模型视觉推理能力
这篇来自HuggingFace Daily Papers的论文介绍了ETCHR方法，它是一个问题条件化、推理感知的图像编辑器，旨在解决现有图像编辑器作为推理助手时存在的语言端与生成端差距。通过两阶段训练方法，ETCHR能在Qwen3-VL-8B、Gemini-3.1-Flash-Lite、Kimi K2.5等MLLM上以无训练方式显著提升多个视觉推理任务的准确率。
多模态大语言模型
First-Principle 上关于「多模态大语言模型」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
OmniPro：评估全模态模型流式视频理解能力的首个综合基准
First-Principle于2026年5月22日分享了关于OmniPro基准的论文。该基准针对现有评估方法的不足，包含2700个样本、9个子任务，引入了探测和在线两种评估模式。评估11个模型后发现，音频增益效果因模型而异，性能随时间下降，且非语音音频感知能力最弱。
SpaceDG：首个大规模降解感知空间理解数据集与基准测试
2026年5月22日发布的研究介绍了SpaceDG，这是一个针对视觉降解条件下多模态大语言模型空间推理能力的基准测试。该数据集包含约100万问答对和近1000个室内场景，并通过物理引擎模拟了九类视觉降解。
Bernini：用于视频扩散模型的潜在语义规划框架
First-Principle 平台于 2026-05-22 发布了来自 HuggingFace Daily Papers 的论文介绍，题为“Bernini: 面向视频扩散模型的潜在语义规划框架”。该介绍概述了 Bernini 框架如何结合多模态大语言模型（MLLM）进行语义规划和扩散模型进行像素渲染，以统一视频生成与编辑。
IndusAgent：利用智能体工具强化开放词汇工业异常检测
本文提出IndusAgent，一种用于开放词汇工业异常检测的工具增强型智能体框架。该框架通过构建Indus-CoT数据集对多模态大语言模型进行微调，并动态调用外部工具来主动解决视觉歧义和细微异常。
Artifact-Bench：评估多模态大语言模型检测与评估AI生成视频瑕疵的能力
该论文介绍了Artifact-Bench基准，用于评估多模态大语言模型在检测和分析AI生成视频瑕疵方面的能力。研究建立了涵盖写实、动画和CG风格视频的三级层次化瑕疵分类法，并设计了三个互补任务。实验评估了19个领先的MLLM，发现许多模型在瑕疵感知和推理方面存在显著局限，性能接近或低于随机水平，且其判断与人类感知偏好存在明显不一致。
面向高效全能模态大语言模型的阶段自适应令牌选择
本文介绍SEATS，一种无需训练的阶段自适应令牌选择方法，用于提升全能模态大语言模型（om-LLMs）的推理效率。该方法在仅保留10%视觉和音频令牌的情况下，可实现9.3倍浮点运算量减少和4.8倍预填充加速，同时保持96.3%的原始性能。
MementoGUI：面向长期GUI代理的即插即用智能多模态记忆框架
该论文于2026年5月19日在HuggingFace Daily Papers发布，介绍了MementoGUI框架。该框架通过核心模块MementoCore引入在线记忆控制机制，能对交互历史进行选择性压缩与检索，以文本摘要和视觉兴趣区域（ROI）证据的形式保存信息，从而增强多模态大语言模型驱动的GUI代理在长期任务中的性能，且无需微调基础模型。
Code-as-Room框架：基于多模态大语言模型从俯视图生成3D室内房间
2026年5月19日，HuggingFace Daily Papers分享了一篇论文，介绍了Code-as-Room框架。该框架利用多模态大语言模型解析俯视图图像，生成Blender代码来创建逼真、功能齐全的3D室内房间模型，旨在解决现有方法稳定性差、易陷入循环等问题。