多模态深度研究不再是闭源大模型的专利

重点关注

01 多模态 开源模型做「深度研究」能打赢闭源大模型吗？

当前的多模态搜索框架有个隐含假设：用一张图和几条文本查询就能找到答案。但现实场景中图片里有大量无关信息，一次检索根本不够。Vision-DeepResearch把「深度研究」范式搬到了多模态领域——模型可以进行几十轮推理、上百次搜索引擎交互，从多个图片区域和文本源逐步聚合证据。训练方式也不是简单的prompt工程，而是冷启动监督+RL训练，把深度搜索能力内化到模型权重中。结果是在多模态研究任务上超越了基于GPT-5、Gemini-2.5-Pro和Claude-4-Sonnet构建的工作流。代码即将开源。

原文：Vision-DeepResearch: Incentivizing DeepResearch Capability in Multimodal Large Language Models

02 模型架构 MoE该扩expert还是扩embedding？答案可能和直觉相反

Mixture-of-Experts已经是稀疏扩展的标准路线，但收益递减和系统瓶颈越来越明显。这篇论文探索了一个正交方向：把参数预算花在embedding层而非expert层。LongCat-Flash-Lite是一个68.5B参数的模型，激活参数仅约3B，其中超过30B参数分配给了embedding。听起来反直觉，但在同等激活参数下，它不仅超过了等参MoE基线，在Agent和代码任务上还表现出了超预期的竞争力。配合投机解码，这种稀疏性可以直接转化为推理加速。

原文：Scaling Embeddings Outperforms Scaling Experts in Language Models

03 评测 前沿推理模型为什么搞不定车载语音助手？

现有Agent基准测试的问题是太理想化——指令清晰、工具齐全、信息完整。但真实用户不会说「导航到北京市朝阳区XX路XX号」，他们会说「去上次那个餐厅」。CAR-bench针对这种真实场景设计了58个互联工具和两类刁钻任务：歧义消解（用户指令不完整，需要追问或内部查询）和幻觉检测（缺少工具或信息时能否承认做不到）。结果很残酷：即使是前沿推理模型，在歧义消解任务上的一致通过率也不到50%，要么不追问就直接行动，要么在缺少工具时编造信息来满足用户。

原文：CAR-bench: Evaluating the Consistency and Limit-Awareness of LLM Agents under Real-World Uncertainty

04 机器人 0.4B参数能让机器人抓住飞来的物体吗？

VLA（Vision-Language-Action）模型擅长静态抓取，但遇到运动中的物体就力不从心——感知延迟、缺乏时间预判、控制不够连续。DynamicVLA从三个层面解决问题：用卷积视觉编码器做快速多模态推理（0.4B参数保证速度）；推理和执行重叠进行（Continuous Inference），降低感知-行动延迟；通过Latent-aware Action Streaming在时间维度上对齐感知和动作执行。配套发布的DOM基准包含20万合成episodes和2000个真实场景数据，实现了无需遥操作的快速数据收集。

原文：DynamicVLA: A Vision-Language-Action Model for Dynamic Object Manipulation