PhotoHOI：从单张照片到三维手物交互——场景感知的交互先验如何弥合图像与动作的鸿沟
PhotoHOI从单张RGB照片和开放词汇指令出发，通过VLM任务解析、任务相关场景恢复和可迁移交互先验，生成场景一致的3D手物交互序列。
VLM
VLM裁判为何总说“任务完成”？OSReward揭示宽松偏差并开源纠正模型
计算机使用智能体（CUA）的评估、数据筛选和强化学习都依赖VLM裁判来判断轨迹是否成功。但裁判本身可靠吗？OSReward构建了首个跨平台、严格人工标注的基准，对27个VLM裁判进行系统评测，发现它们普遍存在“宽松偏差”——将失败轨迹误判为成功。其中“接受未完成任务”错误占所有错误的48%以上。论文进一步开源了OS-Shepherd奖励模型，通过SFT+RL两阶段训练针对性纠正偏差，在困难集上以极低成本达到商业模型水平。但需注意，OSReward-Hard上失败样本占70%，原始准确率需结合平衡准确率解读；OS-Shepherd在困难集上约60%的准确率仍距理想训练信号有差距。
病理VLM真的看懂图像了吗？PathBind基准揭示领域训练幻觉
当前病理VLM评估常陷入‘准确率陷阱’。本文通过PathBind基准证明，许多模型仅依赖文本先验而非视觉证据。领域微调虽提升准确率，却常削弱视觉定位能力（Domain Training Illusion）。视频详解这一现象及其对医疗AI评估的启示。
VLM-IE3D：仅用RGB视频实现细粒度3D空间理解
本文介绍VLM-IE3D框架，通过融合隐式几何令牌(IGTs)和显式几何令牌(EGTs)，解决现有RGB-only VLMs缺乏细粒度3D理解的问题。实验显示在Scan2Cap、ScanRefer、3D Video Detection及VSI-Bench上均取得SOTA表现。注意：推理速度略有下降，且依赖3D几何编码器重建质量。
无根基的注意力：医学VLM热力图为何不可信
医学视觉语言模型（VLM）生成的注意力热力图是否忠实反映了驱动预测的图像证据？本研究通过因果扰动和受控定位指标审计发现，当前主流医学VLM（如MedGemma, LLaVA-RAD, Qwen3-VL）的注意力热力图虽看似合理，但并未真正锚定驱动预测的图像证据，且无法通过随机控制测试。相比之下，专用CXR分类器（如DenseNet）在相同测试中表现显著更好。视频详细解析了三轴验证协议、实验结果及VLM解释的局限性，提醒研究者避免仅凭视觉检查验证可解释性。
PIXAR-DG：现代VLM像素级篡改检测的跨域泛化突破
针对现代视觉语言模型（VLM）生成图像的篡改检测难题，PIXAR-DG提出跨域泛化训练框架。通过平衡采样、晚期注入和低学习率策略，PIXAR-DG在PIXAR基准上显著优于PIXAR、SIDA和LISA等基线方法。实验显示，PIXAR-DG-13B在分布外生成器上的准确率提升25.0%，且仅需19.2%的训练数据即可达到更优效果。需注意，该方法依赖源域数据质量，极端分布外偏移下可能失效。
视觉相似性的多重维度：一种文本提示的图像感知度量
现有视觉相似性度量（如LPIPS, DreamSim）将相似性坍缩为单一标量，无法根据特定视觉方面（如颜色、姿态）进行条件化。本文提出TPIPS，通过微调Qwen3-VL-8B-Emb并构建包含25K图像三元组的大规模数据集，实现基于自由文本提示的细粒度、多面视觉相似性度量。实验显示，TPIPS在Odd-one-out任务上将模型-人类一致性差距从9.1%缩小至2.8%，在2AFC域外任务上将误差从15.8%降低至10.0%。该方法在条件化检索和生成模型评估中展现出新能力，但计算成本高于传统度量。
少即是多：无需架构修改，MLRS凭数据多样性在遥感VLM中登顶
本文提出MLRS，基于InternVL3.5-8B和SAM3，通过GRTO强化学习框架联合优化，无需修改VLM架构即可在遥感多任务中达到SOTA。实验显示，在GEOBench-VLM检测Precision@0.5从0.24提升至0.56，GeoSeg-Bench2分割IoU从0.41提升至0.70。研究证明数据多样性比数据量更能驱动OOD泛化，但需注意微调SAM3可能牺牲零样本泛化能力，且多时相/多视角任务因数据源单一提升有限。
VLMs如何失败？组合式VQA中的视觉-操作错位与通路解离
本研究深入分析Qwen2.5-VL-3B-Instruct在组合式视觉问答中的失败机制。通过因果均值消融、注意力消除和MLP消除，发现接地与属性提取失败源于前馈网络，而推理失败源于晚期注意力。跨架构分析显示LLaVA-1.5-7B因编码器压缩空间细节而表现不同。