南大聯合美團提出 IntReal，開源 10 萬條圖文交錯資料集
南京大學 PRLab 聯合美團 LongCat 等提出 IntReal，開源 10 萬條圖文交錯訓練樣本 IntReal-100K（含超 53 萬張影像）及七維度評測套件。資料從百萬級真實內容經四步篩選與潤色，僅保留約 10%。評測覆蓋文字豐富度、邏輯性、影像美學與多樣性、指令遵循、圖文一致性與主體一致性，與人工判斷一致率 83.3%。用其微調 SenseNova-U1 後文字豐富度相對提升 29.04%，再接 Flow-GRPO 強化學習可改善影像美學與圖文一致性。
把資料、七維評測與 SFT+RL 訓練路線一併開源，實測指出開源與閉源模型差距集中在文字模態，對做多模態生成訓練與評測的開發者有直接參考價值。
原標題：让模型学会图文并茂地表达：南大联合美团LongCat提出IntReal，从真实数据、细粒度评测到训练优化
閱讀原文
| 評分 | 70 / 70（平均 70，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
清華提出樣本分佈訓練，一步生圖 SOTA、8 卡訓 14B 影片模型
清華大學等機構提出「樣本分佈訓練」，用一批生成樣本與參考樣本的整體分佈差異提供監督，取代逐樣本的參考答案，把生成壓縮到一步或少數幾步。MGFlow 在 ImageNet 256×256 上把 pMF-H、JiT-H 的單步 FDr⁶ 降至 1.45、1.64，較 FD-Loss 降低約 23% 和 38%；後訓練 FLUX.2 [klein] 4B 一步文生圖，GenEval 從四步的 0.794 升至 0.900。
IBM 發布 Palette，20B 開源模型按企業設計規範生成幻燈片
IBM Research 發布 Palette：用 LoRA 微調一個 20B 開源權重模型，使其按指定設計語言製作整套幻燈片，並可部署在自有基礎設施上。模型分成“設計師”和“編碼者”兩個角色：前者輸出可讀、可編輯的 JSON 簡報，寫明配色、字號體系、每頁佈局與內容；後者按單頁規格編寫 pptxgenjs 程式碼；因此各頁可並行生成，編碼階段約快 6–7 倍。訓練資料由大模型合成，約 1000 份演示、近 1 萬頁，每例附帶反事實推理說明，並經渲染檢查修覆文字溢位與元素重疊；
港科大等發布 OpenDS 基準：最強模型真實網路搜尋準確率僅 39%
香港科技大學（廣州）、復旦大學、斯坦福大學等團隊發布面向真實開放網路的深度搜尋基準 OpenDS-World，12 個前沿模型中最高的準確率只有 39%。GPT-6 Astra 以 39.0% 居首，Claude Opus 5.5 和 Gemini 3.8 Flash 分別為 38.0% 與 36.5%，其餘模型落在 12.0%—33.5%。200 道題覆蓋 4 種模態、42 種資源格式與 7 類訪問需求，每題限 1 小時、100 次工具呼叫；
Kimi 開源 WorldVQA 基準，評測多模態模型視覺世界知識
Kimi 團隊開源 WorldVQA 基準，用 3500 組圖文問答檢驗多模態大模型是否真的認出了圖中的實體，而不是僅憑視覺模式猜測。資料集覆蓋 9 大類，中文佔 36%、英文佔 64%，並把常見知識與長尾知識分開統計；結果顯示，前沿模型在長尾題上的準確率常常低於 50%。校準實驗還發現，各模型普遍過度自信；其中表現最好的 Kimi-K2.5，其 ECE 仍達 37.9%，Slope 為 0.550。
VisInteract 讓文字到視覺化多輪追問意圖，入選 NeurIPS 2026 Spotlight
香港理工大學與字節跳動團隊的 VisInteract 被 NeurIPS 2026 接收為 Spotlight（292/30709），它把文字到視覺化（Text-to-Vis）當作從不完美查詢中多輪追問、找回真實意圖的過程。團隊同時發布首個動態互動式 Text-to-Vis 基準 VisInteract-Bench：1098 條樣本、11 個資料庫、75 張表，約 61% 查詢帶歧義、69% 帶事實錯誤；