| 1 |
罗喆熙 |
22320090 |
课程内容的问答 |
你们构建 MMCourse-VQA benchmark 如何保证问题覆盖面、难度分布，以及不会出现和训练数据泄漏重叠的情况？ |
怎么保证模型一定遵循图像条件，而不是进入语言捷径？ |
PPT 里文字信息很多，怎么区分模型是 OCR/读文本得到答案，还是真正理解了图像内容？ |
| 王艺翔 |
21307243 |
| 潘胤臻 |
23336191 |
| 魏昊瑜 |
23336242 |
|
|
| 2 |
蔡文翔 |
23336023 |
多视角一致性 |
相机编码是直接作为条件输入，还是影响注意力/特征融合？如果相机参数有噪声会怎样？ |
你们使用 Blender 渲染数据集时，是如何保证数据分布能够泛化到真实世界图像的？如果训练数据主要是合成数据，那么模型在真实人物或真实场景上的效果会不会出现 domain gap 问题？ |
这是一个经典的计算机视觉问题。位姿控制是计算机视觉中的经典问题。这可能不属于多模态大模型的问题。 |
| 范翔烺 |
23336004 |
| 冯树佳 |
24312056 |
|
|
|
|
| 3 |
常淇博 |
23336028 |
口腔辅助诊断 |
如何获取相应的数据？如何抑制幻觉问题？ |
口腔诊断非常依赖图像质量和病例完整性，但真实场景里常常会遇到模糊照片、角度不标准、文本病例不规范甚至缺失。你们的方法在模态缺失或低质量输入下还能稳定工作吗？ |
生成诊断说明时，如何避免模型给出过度自信或不符合临床规范的建议？ |
|
|
|
|
|
|
|
|
| 4 |
丁子航 |
23312014 |
x-aigd |
多模态大模型辅助真假判断时，如何避免它只学到数据集偏差而不是可见伪影？ |
你们提到模型能够利用“世界知识”判断阴影、光照、物理规律是否合理，那么如何验证模型是真的学到了物理一致性，而不是仅仅记住了训练集中常见的伪造模式？ |
负样本一定是有伪影吗？没有伪影的负样本是不是也可考虑？ |
|
|
|
|
|
|
|
|
| 5 |
翁國圍 |
23336246 |
金融财报 |
怎么评测分析分类的准确性？ |
你们提到银行、保险、证券行业的资产负债表与普通企业差异很大，那么模型如何处理这种行业间术语和财务结构的不一致？如果遇到新的财务术语怎么办？ |
财报图表、表格和正文三类信息分别怎么抽取和对齐？ |
|
|
|
|
|
|
|
|
| 6 |
徐泓昊 |
23336017 |
文本生成可打印性3Dmesh |
可打印性的约束是怎么可微地加进来？可打印性怎么用数学来定义？ |
你们提到使用 trimesh 自动构造训练数据而不依赖人工标注，那么正负样本是怎么生成的？例如，一个 mesh 是如何被判定为“适合打印”或者“不适合打印”的，以及如何解决自动标签噪声的问题？ |
Trellis 到 MeshAnything 的中间点云会不会丢失细节，如何评估几何质量？如何定义可打印性？ |
| 吴修远 |
23336255 |
| 覃司翰 |
23336217 |
| 张浩宇 |
23336301 |
|
|
|
|
| 7 |
杨鑫 |
23336284 |
连续空间下的扩散语言模型 |
你们的方法是非自回归、并行生成整段文本的，但自然语言本身具有很强的时序依赖关系。那么模型如何保证生成文本的前后逻辑一致性和长程依赖，而不会出现局部合理但整体混乱的问题？ |
生成的结果，如果是图像，怎么转成文本？bit表达之间，怎么考虑距离的正交性？ |
受限 bit 位会不会导致表达能力不足？ |
|
|
|
|
|
|
|
|
| 8 |
刘昊 |
23336150 |
老人家庭监护 |
这是小模型还是大模型？和端到端大模型对比，有什么优势？ |
如何定义“风险等级”的标签？这些标签是由人工专家标注、规则生成，还是基于历史事件数据？如果标签本身存在主观性，会不会影响模型训练？ |
老人安全事件属于低频事件，怎么解决训练数据不平衡？ |
| 陈大有 |
23336033 |
| 刘国龙 |
23336149 |
|
|
|
|
| 9 |
甘善铭 |
23336005 |
多模态语义素材库 |
端到端模型可以直接把图作为输入，直接给出分析结果；现在你们的方法先进行分割，再把分割结果进行分析，是不是更落后了？如果分割本身就有错误，会影响后面的分析。 |
有没有和直接做 image-text embedding 检索的方法做过对比，特别是在复杂查询、细粒度查询上的提升？
|
为什么一定要先分割再检索？直接用全图 embedding 或检测框检索有什么不足？ |
| 罗杰 |
23336008 |
| 梁皓明 |
23336127 |
| 罗金浩 |
23336009 |
| 胡明瀚 |
23336088 |
| 10 |
王宇和 |
22355082 |
三平面机器人 |
指令编码和 3D 特征是在哪一层融合的？融合方式会影响空间定位能力吗？ |
机器人通过多个相机观察场景时，不同视角之间需要进行空间对齐。你们的方法是如何完成多视角融合的？如果相机存在标定误差或者部分视角缺失，TPV 表征是否还能稳定构建 3D 场景认知？ |
操作的精度，依赖于3D的精度吗？3D表示的精度，天然就很难，如何克服？ |
|
|
|
|
|
|
|
|
| 11 |
雷颜玮 |
23336103 |
AI Agent知识检索 |
你们提到使用 RAG 知识引擎，那么知识库更新后，系统如何保证检索结果的时效性和一致性？如果检索到的内容之间互相冲突，大模型最终会如何决定采用哪部分知识？ |
本项目是一个集成工作，如果只能用一句话来描述最核心的创新，它是什么？ |
HyDE 扩展提示词后，如何避免检索到看似相关但实际错误的内容？ |
| 李博阳 |
23336105 |
| 李兆然 |
23336123 |
|
|
|
|
| 12 |
杨希凯 |
23336281 |
图像和音频冲突 |
如果模态存在冲突，如何融合和消岐？ |
你们设计的问题类型会直接影响测试结果。例如，如果问题更容易从图像中回答，模型可能天然偏向视觉。你们是如何避免 evaluation bias 的？有没有保证音频和视觉分别都足以独立回答问题？ |
如果发现模型偏向某一模态，后续准备用数据增强、奖励设计还是结构改进来修正？ |
| 张文翔 |
23336310 |
|
|
|
|
|
|
| 13 |
王嘉葆 |
23336226 |
vggt+vla |
触觉、视觉和 3D 点云模态信息冲突时，模型如何决定相信哪一个？ |
你们提到触觉信息会作为引导输入到 VLA，但触觉和视觉属于不同模态，时间尺度和数据形式差异很大。系统是如何完成视觉—触觉对齐的？例如机器人抓取失败时，触觉反馈会如何实时影响后续动作生成？ |
如果我们要预测未来复杂的几何和物理，模型容量怎么解决？如何构建触觉世界模型？ |
| 郑晋凯 |
23336329 |
|
|
|
|
|
|
| 14 |
张景翔 |
23336304 |
动画面部表情控制 |
这个方法相比传统的 motion capture 或直接端到端生成，真正新增的价值是什么？如果最后还需要人工反复调整，那你们的自动化贡献到底有多少，效率提升是否真的成立？ |
在本项目中，哪一部分是多模态大模型？大模型要求模型要大。你们提到的LLM控制和使用工具是怎么实现的？ |
AU/FACS 标准如何映射到最终动画控制参数？中间是否需要人工校准？ |
|
|
|
|
|
|
|
|
| 15 |
罗语涵 |
23336177 |
双视频跨视角 |
第一+第三人称视角QA的真实有现实意义应用是什么？如何剪辑成一段视频？ |
你们虽然进行了同步采样，但现实中两个视频可能存在时间偏移、遮挡或者动作不同步的问题。系统如何处理这种跨视角 temporal misalignment？ |
把来自不同视频的片段拼接成相同长度后，如何保证时间连续性和动作逻辑不被破坏？ |
|
|
|
|
|
|
|
|
| 16 |
钟泓瑨 |
23336338 |
文本生成长视频 |
如何保证video clip之间的视觉连贯？如何保证逻辑连贯？ |
你们采用自回归方式不断生成分镜，但长视频生成最大的难点之一就是误差累积。前面某个镜头人物长歪了、动作错了，后面往往会一路崩掉。你们的方法怎么避免这种 error propagation？ |
VLM引导如何使分镜之间的角色、场景和物体状态保持一致？ |
| 刘信杰 |
23336160 |
| 吴睿 |
23336251 |
| 肖金洋 |
22360300 |
| 周嘉尉 |
23336348 |
| 17 |
王宇晨 |
23336013 |
多模态CoT解几何题 |
预定义绘图函数是如何确定覆盖范围的？对于预定义函数之外的辅助构造方式，模型会如何处理？有没有考虑让模型自主组合已有工具来覆盖这类情况？ |
如何从视觉变成代码的状态？如何保证视觉推理的准确性？ |
修正机制如何设计？如果没有明确的错误检测标准，模型怎么知道自己哪里画错了？ |
| 陈政宇 |
23336003 |
|
|
|
|
|
|
| 18 |
李成著 |
23336108 |
压缩多模态记忆 |
多模态记忆压缩时，哪些信息必须保留，哪些可以丢弃？判断标准是什么？ |
你们提出的是“非均匀模糊记忆系统”，那么这个记忆最终是服务于什么任务？例如视觉导航、长期视频理解还是机器人决策？不同任务对“关键信息”的定义不同，你们的方法是否需要针对具体任务重新设计信息密度指标？ |
多模态压缩是token压缩吗？图像内容怎么算记忆？SAM也要花时间，如果考虑SAM的计算复杂度，你们的压缩算法的总体复杂度是不是还变高了？ |
| 吴深荣 |
23336252 |
| 黄梓城 |
23331059 |
|
|
|
|
| 19 |
皮璇 |
23331114 |
教育数字化 |
如何避免幻觉？长视频的细节内容（知识）如何精确获取和保持？ |
多模态大模型本身已经能直接处理图文视频输入了，那你们系统相比直接调用现有 VLM 的增量价值是什么？ |
如果限定来源在教材，模型回答时如何防止引入教材外知识或幻觉？ |
| 丁奕轩 |
23331029 |
| 杜翊菲 |
23336062 |
| 陈碧凡 |
23336030 |
|
|
| 20 |
徐观炼 |
23336267 |
svg海报生成 |
如何评估生成 SVG 的可编辑性和空间正确性？ |
如何评价生成海报的质量？有没有考虑过视觉层次、排版美感、商业设计规范这些更主观但真实存在的问题？ |
创新在哪里？只是interSVG的工程复现？还是在复现的基础上，加入创新技术？ |
| 梁仲禧 |
23336129 |
| 钟俊喆 |
23336339 |
|
|
|
|
| 21 |
孙尔得吉 |
23306073 |
遥感开放词汇多时序变化检测 |
和逆动力学(IDM)之间有什么联系？如果我们想学习和训练模型，如何获取监督标签？ |
构建新数据集时如何定义positive、hard negative？ |
如何让模型区分"季节性外观变化"和"真实地表变动"？自然语言查询在这里能起到多大的消歧作用？ |
|
|
|
|
|
|
|
|
| 22 |
范益嘉 |
23336064 |
Unified Model多步思维链 |
reward 信号是怎么定义的？对于生成任务（如图像生成），生成质量本身就难以量化，你们打算如何构造一个对思维链中间步骤也有效的 reward？ |
你们有没有做过和直接端到端编辑模型的对比，证明这种“交错思考”带来的收益足以抵消额外开销和稳定性风险（比如错误累积等）？ |
图像生成获编辑中，尤其是图像生成中，考虑先生成Mermaid 再生成图像，这有利于大的编辑（例如生图的逻辑发生很大的变化）。你这里如何考虑这种大的编辑？ |
|
|
|
|
|
|
|
|
| 23 |
卢思源 |
23336168 |
学术论文多模态RAG问答系统 |
你的方法中，哪一机制（方法论和理论层面）可以提高非文本的能力？ |
重排序阶段的打分依据是什么，怎样证明它真正提升了复杂学术问题的召回和排序，而不是只是把结果再加工了一遍？ |
你们提出分层多模态解析来区别于直接 OCR 纯文本，那么这个"分层"具体是按什么维度划分的？公式、图表、普通文本分别走哪条解析路径？各层之间的解析结果如何统一表示以便后续检索？ |
| 刘沛浩 |
23336156 |
|
|
|
|
|
|
| 24 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 25 |
谭天喆 |
23336219 |
多模态长文档问答 |
你们设计了三层记忆结构，那么每一层的边界是如何定义的？是按照信息粒度（如词、句、页、章节）划分，还是按照其他标准？如果记忆层次边界本身是模糊的，划分错误会如何影响后续的路由和问答？ |
怎么保证层次化的记忆一定可以更好地记忆？ |
cross-page attention graph，怎么证明它真的学到了跨页引用关系，而不是仅仅把相邻页面的信息硬连起来？ |
|
|
|
|
|
|
|
|
| 26 |
郑思扬 |
23336331 |
物理流体模拟 |
如何实现Sim2Real? |
如果高质量流体渲染数据主要来自模拟环境，模型在真实游戏场景或者不同渲染引擎中是否会存在泛化问题？ |
物理代理提取的信息包括哪些变量，比如速度场、压力场、密度场？ |
| 钟旺烜 |
23336342 |
| 赵施琦 |
23336324 |
| 严浩文 |
23354177 |
| 郭靖宇 |
23320048 |
| 27 |
王文博 |
23336230 |
三模态融合手部感知VLA |
如何检测和防止模型坍缩到某一单一模态？对比损失和重建损失分别承担什么角色，两者如何协同避免坍缩？ |
Egocentric video 中存在大量快速运动、遮挡和视角变化。很多时候目标物体甚至只出现几帧。你们的方法如何保证构建出的记忆不会受到这些噪声的干扰？ |
触觉怎么表征？怎么保证人机之间的泛化鸿沟？怎么保证这些loss能够正确对齐动作？ |
| 平泽玉 |
23336196 |
| 吴显镔 |
23330137 |
|
|
|
|
| 28 |
欧镇滔 |
23336189 |
基于RAG的多模态水果营养健康系统 |
怎么保证高质量地构建这样的数据库？仅靠大模型来进行标注吗？ |
市面大模型对于营养知识回答上存在幻觉风险。你们如何保证检索结果真的比模型原生回答更可靠？ |
光线差异导致品种识别出错是你们列出的挑战，那么在数据和模型设计上，你们打算如何提升识别鲁棒性？ |
|
|
|
|
|
|
|
|
| 29 |
王一茗 |
23336234 |
同态加密与多模态识别的融合 |
你们通过投影矩阵将不同模态映射到同一特征空间，那么这个投影矩阵是如何训练的？对齐的监督信号来自哪里？ |
如何在安全性、检索精度和实时性之间取得平衡？有没有实验比较不同加密参数下的性能变化？ |
密文乘法同态性是怎么保证多模态对齐的？在本项目中，算法创新和多模态大模型的是直接关联的吗？ |
|
|
|
|
|
|
|
|
| 30 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|