An AI4AI Framework for Visual Token Pruning
用于视觉令牌剪枝的AI4AI框架
专题命中 多模态训练与对齐 ：MLLM(summary_cn,abstract)；multimodal(abstract)；分类 cs.CV
AI总结 本研究提出AutoPrune框架，通过TPDSL让LLM自动设计视觉令牌剪枝策略，在14个多模态基准和3个MLLM主干上，剪枝94.4%视觉令牌仍保留超99%性能，大幅降低推理成本。
AI 大模型
多模态大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
1. 多模态训练与对齐 10 篇
Omni-modal decomposition autoencoders learn full-stack wearable disentangled representations
全模态分解自编码器学习全栈可穿戴解耦表示
机构 * Khalifa University（哈利法大学） ； University of Toronto（多伦多大学） ； MIT Media Lab（麻省理工学院媒体实验室） ； Aristotle University of Thessaloniki（亚里士多德大学）
专题命中 多模态训练与对齐 ：omni-modal(title,abstract)；multi-modal(abstract)；分类 cs.AI、eess.AS
AI总结 该研究针对现有多模态可穿戴模型的不足，提出OmniDecVAEs框架，在30模态的HAR任务中，提升了识别准确率与数据合成质量，可用于边缘可穿戴与医疗领域。
Comments 15 pages, 7 figures, 7 tables
CASA: Classification Augmented with Safety Attention for Robust Multimodal Alignment
通过条件解码实现鲁棒的多模态安全性
机构 * The Ohio State University（俄亥俄州立大学） ； AWS（亚马逊云服务）
专题命中 多模态训练与对齐 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.AI
AI总结 本文提出CASA方法，通过内部表示预测安全令牌以提升多模态大语言模型的安全性，实验显示其在多种基准上显著降低攻击成功率，同时保持良性输入的实用性。
Comments 9 pages + Appendix section
LMM Modality Transfer: A Pre-requisite for Autonomous GIS Agents
多模态大模型模态迁移：自主地理信息系统智能体的先决条件
机构 * Graz University of Technology（格拉茨工业大学） ； University of Vienna（维也纳大学） ； University of Liverpool（利物浦大学）
专题命中 多模态训练与对齐 ：multimodal(abstract,abstract_cn)；multi-modal(abstract)；分类 cs.AI
AI总结 本文针对自主GIS智能体的先决条件，提出LMM模态迁移任务，发现现有LMM在图像与文本模态间传递空间信息的能力不足，需加强多模态对齐以实现地理空间理解。
Learning to Predict Middle-Layer Attention in MLLMs for Visual Token Prunin
学习在多模态大语言模型（MLLMs）中预测中间层注意力以进行视觉token剪枝
专题命中 多模态训练与对齐 ：multimodal(abstract)；multi-modal(abstract)；分类 cs.CV、cs.AI
AI总结 该研究针对MLLMs视觉token剪枝的固定层非最优及计算成本高的问题，提出MAP方法，实现仅保留5.56%视觉token时维持97.5%性能，获3.09倍端到端加速。
Is Self-Pretraining really useful to improve diagnosis in medical Time Series?
自预训练（SPT）真的有助于改进医疗时间序列的诊断吗？
机构 * Università Campus Bio-Medico di Roma（罗马生物医学大学校园大学） ； Umeå University（于默奥大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（埃利斯研究所蒂宾根分所）
专题命中 多模态训练与对齐 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.AI
AI总结 该研究探究自预训练（SPT）对Transformer在医疗时间序列诊断任务的影响，发现SPT可提升分类准确率0-6个百分点，是无需修改架构的通用有效策略。
Comments 21 pages, 7 figures,4 tables
RoRA: Role-Oriented Regional Allocation for Visual Token Pruning in MLLMs
RoRA：面向角色的区域分配，用于多模态大语言模型中的视觉令牌剪枝
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 本研究针对多模态大语言模型视觉令牌剪枝的高开销问题，提出无训练框架RoRA，通过角色导向的区域分配实现高效剪枝，在多个模型系列上优于基线，大幅降低推理时间且保留高准确率。
Comments 9 pages, 4 figures, 4 tables. Code is available at https://github.com/LukieLuu/RoRA
Decoupled Similarity for Task-Aware Token Pruning in Large Vision-Language Models
解耦相似性用于大视觉-语言模型中的任务感知token剪枝
机构 * Wuhan University（武汉大学） ； University of Exeter（埃克塞特大学） ； Chinese Academy of Sciences（中国科学院） ； Xi'an University of Electronic Science and Technology（西安电子科技大学）
专题命中 多模态训练与对齐 ：cross-modal(abstract)；分类 cs.CV
AI总结 本文提出DeSAP方法，通过解耦相似性实现精准任务感知token剪枝，提升大视觉-语言模型的效率与性能，实验表明在不同基准和架构上均优于现有方法。
Comments Accepted at ACM Multimedia 2026. Camera-ready version
Conformal Fusion Under Missing Modalities
缺失模态下的共形融合
机构 * Swinburne University of Technology（斯威本科技大学）
专题命中 多模态训练与对齐 ：multimodal(abstract)
AI总结 本文提出MCCF架构，解决缺失模态下的多模态融合问题，该架构兼具模态缺失鲁棒性与校准不确定性，在多基准测试中表现出良好的覆盖率与精度性能。
2. 其他多模态 8 篇
Debias in Text, Believe Your Eyes: Text-Anchored Cross-Modal Transfer for Visual Counter-Commonsense Reasoning
文本中的去偏：相信你的视觉：面向视觉反常识推理的文本锚定跨模态迁移
机构 * Ant Group（蚂蚁集团）
专题命中 其他多模态 ：cross-modal(title,abstract)；multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 该研究针对多模态大语言模型视觉反常识推理中语言先验干扰问题，提出文本锚定数据构建流程及后训练框架 TACT，实现无需视觉数据的跨模态去偏，提升模型视觉推理性能。
Hoverflie: An empirical investigation of rotor shrouds to transform micro air vehicles into multi-modal hovercraft
Hoverflie：对转子导流罩将微型飞行器转变为多模式气垫船的实验研究
机构 * University of Hawaii at Manoa（夏威夷大学马诺阿分校）
专题命中 其他多模态 ：multi-modal(title,abstract)
AI总结 本研究通过设计定制转子导流罩系统，将Crazyflie 2.1微型飞行器转变为多模式机器人，开发经验模型优化导流罩配置，提升了地面效应性能并延长了续航时间，为相关后续研究提供了基础。
Asteroid Disruption and Deflection Simulations for Multi-Modal Planetary Defense
用于多模态行星防御的小行星破坏与偏转模拟
专题命中 其他多模态 ：multi-modal(title,abstract)
AI总结 该研究针对小行星行星防御的终端场景问题，采用PI方法结合ALE3D模拟，证实20-100米级碎石堆小行星可通过特定参数的超高速钨侵彻体撞击有效减缓，为多模态行星防御提供可行方案。
Comments 9 pages, 8 figures
Journal ref Acta Astronautica, Volume 225, December 2024, Pages 960-967
RemoteZero: Geospatial Reasoning with Zero Labels
RemoteZero：零样本地理空间推理
专题命中 其他多模态 ：MLLM(summary_cn,abstract_cn)；分类 cs.CV
AI总结 本研究提出无标签强化学习框架RemoteZero，利用MLLM的评估能力和航拍图像优势，以语义一致性为内在奖励实现地理空间推理，性能优于监督基线且可自演化，适配多类地球观测任务。
Vernata: Self-Supervised Learning of LiDAR Point Representations
Vernata：激光雷达点表示的自监督学习
机构 * Robotics and AI Institute（机器人与人工智能研究院） ； ETH Zurich（苏黎世联邦理工学院）
专题命中 其他多模态 ：multi-modal(abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 本研究提出基于Sonata架构的Vernata自监督学习框架，通过三项扩展优化激光雷达点云表示，在多数据集上相比基线取得显著性能提升，模态减少场景下仍保持竞争力
Comments IROS 2026. Implementation: https://github.com/rai-opensource/vernata
Stockmark-Nemotron-3-Nano-Omni-JapanDocReader: Structured Document Parsing via Capability Injection and Forgetting Control
Stockmark-Nemotron-3-Nano-Omni-JapanDocReader：基于能力注入与遗忘控制的结构化文档解析模型
机构 * Stockmark Inc.（斯托克马克公司）
专题命中 其他多模态 ：multimodal(abstract)；分类 cs.CL
AI总结 本研究提出Stockmark-Nemotron-3-Nano-Omni-JapanDocReader模型，通过能力注入与遗忘控制优化结构化文档解析性能，结合混合SFT与DAPO式RL取得优于SFT的效果。
A Master-Slave Robot Manipulator for Needle-Based Teleoperation in MRI Chamber
用于MRI室内经针遥操作的主从机器人操纵器
专题命中 其他多模态 ：multimodal(abstract)
AI总结 该研究开发了一种MRI安全的主从机器人操纵器，可实现多模态控制，支持协作任务，经初步实验验证适用于MRI室内床边手动控制模式下的活体猪介入操作。
Comments 14 pages, 12 figures
Sampling via Stochastic Interpolants by Langevin-based Velocity and Initialization Estimation in Flow ODEs
通过基于Langevin的速度和初始化估计在流ODEs中进行采样
专题命中 其他多模态 ：multimodal(abstract)
AI总结 本文提出了一种基于Langevin采样器和概率流ODE的方法，用于高效采样复杂分布并提升贝叶斯推断性能。
