该文章介绍了一项关于多模态大语言模型（MLLM）在城市导航中能力的研究。研究团队构建了基于香港真实地理数据的URBANGROUND交互环境，评测了GPT-5.5等模型。结果显示，模型具备局部空间识别和短距离导航能力，但长距离导航和动态环境适应能力不足，难以将局部感知转化为持续可靠的城市行动。

本文系统研究了多模态大语言模型（MLLMs）中的偏好对齐问题，将算法分为离线（如DPO）和在线（在线DPO）两类，发现两者结合可提升性能。作者提出无需额外标注或外部模型的新型数据构建方法“偏差驱动幻觉采样”（BDHS），在多个基准上达到与现有对齐工作相当的竞争力，并分析了偏好数据集构建细节对模型表现的影响。

本文探讨了多模态大语言模型（MLLMs）在自我中心视频理解中的时间意识不足问题，并提出了时间全局策略优化（TGPO）算法。该算法通过对比有序与打乱的视频帧生成奖励信号，以促进时间推理。实验结果显示，TGPO在五个基准测试中显著提升了时间基础和因果一致性，优于以往的强化学习方法。

一项研究评估了12个多模态大语言模型（MLLM）的规划能力，发现它们在不可解任务识别中的正确拒绝率仅为34.7%。研究提出了智能体规划基准（APB），通过五大评估设置揭示了模型在长程规划、工具鲁棒性和校准拒绝等方面的系统性弱点，强调规划能力的重要性。结果显示，模型在面对不可解任务时往往盲目尝试，可能导致资源浪费和有害输出。

本文介绍了空间功能智能基准（SFI-Bench），用于评估多模态大语言模型的高级推理能力。SFI-Bench包含1700多个基于视频的问题，重点评估结构化空间推理和功能推理。实验结果显示，现有模型在整合空间记忆与功能知识方面存在瓶颈，强调了提升多模态智能代理的必要性。

本文介绍了NarrativeTrack，这是评估多模态大语言模型（MLLMs）叙事理解的首个基准。该基准通过细致的实体中心推理，分析视频中的动态叙事。研究发现，现有模型在视觉转变和时间动态中难以稳定追踪实体，揭示了感知基础与时间推理之间的权衡。NarrativeTrack为提升MLLMs的时间基础叙事理解提供了系统框架。

本文通过SO-Bench基准测试评估多模态大语言模型（MLLMs）在视觉结构输出能力上的表现，涵盖UI界面、自然图像、文档和图表等领域。研究发现，现有模型在准确预测符合预定义数据模式的输出方面存在不足，强调了改进多模态结构推理的必要性。

多模态大语言模型（MLLMs）在2D视觉理解方面表现优异，但在3D空间推理上仍存在局限。本文提出了新的监督微调数据集CA-VQA及评估基准，专注于室内场景，展示了其在训练MM-Spatial模型方面的有效性，显著提升了3D空间理解能力，并与专用单目深度估计模型的深度感知能力相当。

多模态大语言模型（LLMs）在图像文本提取方面表现优异，但成本高、速度慢且需要强大硬件。传统OCR工具如Tesseract轻便快速，但准确性较低。比较显示，Gemini和Deepseek在准确性上优于传统工具，但复杂性和部署挑战较大。选择应根据具体目标而定。

文章讨论了多模态大语言模型（MLLM）的发展，特别是在图文生成方面的挑战与进展。上海人工智能实验室提出了OpenING基准，包含5400个真实场景的图文实例，旨在提升模型的生成能力和评测准确性。新评估模型IntJudge通过人机协作标注，显著提高了评测一致性。研究表明，当前模型在图像生成质量上仍需改进，未来将继续扩展数据和优化模型。