CLCR: Cross-Level Semantic Collaborative Representation for Multimodal Learning
针对多模态学习中跨层级语义异步与特征混淆难题，CVPR 2026 论文提出 CLCR 框架，通过构建三级语义层级与受控的共享-私有解耦机制，实现了跨模态精细化协同表示与稳健聚合。
Multimodal LearningSemantic HierarchyFeature Disentanglement
TensorX · Curated
TensorX精选
精选论文解读、AI 笔记与关键洞见。
11 篇精选
Learning Multi-Modal Prototypes for Cross-Domain Few-Shot Object Detection
针对跨领域少样本目标检测（CD-FSOD）中纯文本提示缺乏特定领域视觉信息的难题，本文提出双分支 LMP 框架，通过显式构建类级别视觉原型与难负样本原型，实现高精度的跨域少样本泛化。
Cross-Domain FSODVision-Language ModelsMulti-Modal Prototypes
DeepSearch-World: Self-Distillation for Deep Search Agents in a Verifiable Environment
本文提出 DeepSearch-World 确定性可验证环境与 DeepSearch-Evolve 自蒸馏框架，通过实体级随机游走构造 420K 多跳 QA 任务，在无需更强闭源模型蒸馏的前提下实现 Agent 自我演化。
Deep SearchSelf-DistillationReAct
CDHNet: An implicit calibration and difference-guided hierarchical perception change detection network for remote sensing images
本文深入解析了专为遥感图像变化检测设计的CDHNet模型。该模型通过隐式自校准与互对齐机制，攻克了非配准情况下的伪变化难题，并结合多阶差异特征与多尺度自适应融合，实现了高精度的细粒度变化识别。
Change DetectionRemote SensingImplicit Calibration
What Makes Synthetic Data Effective in Image Segmentation
本文系统分析了扩散模型生成的合成图像在语义分割任务中的有效性，指出‘稠密场景构图’与‘细粒度实例保真度’是核心增益因子，并提出全新的半监督分割框架 SENSE。
Synthetic DataImage SegmentationOptimal Transport
MiniMax Sparse Attention
本文介绍了 MiniMax 稀疏注意力机制（MSA），一种基于分组查询注意力（GQA）的高效块状稀疏自注意力方案。通过引入超轻量级的索引分支和协同设计的 GPU 算子，MSA 在 100 万 token 上实现了 28.4 倍的计算量削减以及 H800 显卡上高达 14.2 倍的 Prefill 加速。
LLMSparse AttentionLong Context
On the Scaling of PEFT: Towards Million Personal Models of Trillion Parameters
本文探讨了小参数量适配器（Adapter）作为大模型上持久化本地状态的可能性。研究通过Scale Up、Scale Down和Scale Out三大维度，构筑起支持数百万高智商、低算力开销的个性化模型生态系统。
PEFTLoRAMoE
ResearchStudio-Reel: Automate the Last Mile of Research from Paper to Poster, Video, and Blog
本文介绍了ResearchStudio-Reel，这是一个创新的学术传播自动化流水线。它能够将一篇 accepted 论文PDF一键转化为印刷级学术海报、带视觉高亮对齐的演讲视频以及高质量双语博客，且所有产出物在原生工具中均完全可编辑，重塑了学术成果发布的‘最后一公里’。
Academic DisseminationAI AgentsMulti-modal Generation
Image Generators are Generalist Vision Learners
本文探讨了图像生成预训练是否能作为通用视觉学习器。通过对生成模型 Nano Banana Pro 进行轻量级指令微调，构建出的 Vision Banana 在 2D 和 3D 视觉理解任务上均达到了 SOTA 级别，证明了生成预训练中蕴含着深层的通用视觉表征。
Image GenerationVisual UnderstandingFoundation Models
AgriFM: A multi-source temporal remote sensing foundation model for Agriculture mapping
AgriFM 提出了一种专门针对农业制图的多源时空遥感大模型，通过同步时空下采样策略和全球2500万级预训练数据集，实现了对农作物复杂物候与精细空间纹理的精准统一建模。
遥感大模型农业制图深度学习
Gemma 4 Technical Report
本文深入解析谷歌最新开源的 Gemma 4 架构。通过引入端到端思考模式、无编码器多模态设计、以及高效的多Token预测机制，Gemma 4 在保持极高计算效率的前提下，实现了在复杂推理、长上下文理解与跨模态交互上的跨越式突破。
Gemma 4MultimodalSpeculative Decoding