VLM 中間層隱空間存在可提取的三維場景拓撲
匹茲堡大學研究發現，視覺語言模型（VLM）的中間層隱空間保留了可提取的三維場景拓撲。研究先用物體掩碼聚合視覺標記，再通過跨場景平均剔除顏色、形狀等身份屬性；處理後，中間層的 PCA 佈局與真實場景最吻合，相鄰物體的表徵能量比也更低。把 Dirichlet 能量加入微調目標，並在中間層做 500 步 LoRA 後，Qwen2.5-VL-7B 在 VSI-Bench 簡單相對方向任務上的準確率從 47.9% 升到 60.0%。
該研究把「VLM 是否理解空間」從答題準確率轉向可觀察、可干預的隱空間結構，並給出微調後提升 12.1 個百分點的實測結果，對研究多模態空間認知與訓練設計的人有參考價值。
原標題：VLM脑中真有一张3D地图？匹兹堡大学挖出了新证据
閱讀原文
| 評分 | 76 / 76（平均 76，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
人大高瓴與百度等開源 LoopVL：迴圈 Transformer 擴充套件到視覺語言模型
人大、百度、清華等機構開源視覺語言模型 LoopVL，把迴圈 Transformer 擴充套件到多模態：僅 1B 語言主幹、0.14T 訓練 token，就在 MMMU-Pro、MathVision 等評測上追平或超過用約 36T token 訓練的 Qwen3.5-2B、InternVL3.5-2B。模型以 32 層引數展開 128 次層呼叫（H2L3×2），影像只編碼一次，後續迴圈持續更新視覺—語言狀態；
蘋果 LensVLM 把長上下文壓成圖片，模型可按需展開原文
蘋果基礎大模型團隊與杜克大學提出 LensVLM，先把長上下文渲染成壓縮頁面影像讓模型瀏覽，再按需展開相關頁面讀取原文，在七項文字問答評測中以 4.3 倍有效壓縮達到 68.9% 平均準確率，接近完整文字參照的 72.4%。模型基於 Qwen3.5-9B-Base 經監督微調與強化學習訓練，15 倍壓縮下準確率由基礎模型的 18.1% 提升到 52.1%；
@lmstudio: Nemotron 3.5 Super VL from @NVIDIAAI is live in LM Studio!
NVIDIA 的 Nemotron 3.5 Super VL 已在 LM Studio 上線，可直接在本地下載執行。該模型為 120B 總引數、12B 啟用引數的 MoE 架構，支援視覺輸入與推理，並針對視覺理解和工具呼叫做了訓練。官方提示本地執行約需 70GB 記憶體，模型頁面位於 lmstudio.ai。
新基準 VA-Bench 測 12 個多模態模型，完整任務成功率約一半
VA-Bench 用 14 類機器人操作任務、280 個物理驗證場景測試 12 個主流多模態模型，發現目標識別與定位可達 100%、操作語義理解接近 100%，但完整任務成功率最高的 Qwen3.8-max、Opus-5、GPT-5.6-sol 分別只有 53.93%、52.86%、51.55%。測試中模型先觀看成功示範影片，但拿不到物體座標與專家軌跡，需自行決定是否消耗步數切換視角，並直接給出移動距離、旋轉角度與夾爪開合時機。
llama.cpp b11572 新增 vLLM d3 模型支援
llama.cpp 發布 b11572，新增對 vLLM d3 模型的支援（d2 同步更新），並加入 pplx-decider 模型支援，同時澄清命名規則、加強校驗。該版本照例提供 macOS/iOS、Linux、Windows、Android、openEuler 的預編譯包，覆蓋 CUDA 12/13、ROCm 10.0、Vulkan、SYCL、OpenVINO 以及驍龍 CPU/Adreno GPU/Hexagon NPU 等後端。