更强的模型之外，ACM MM 2026 还在关注什么？
第 34 届 ACM Multimedia 将于 2026 年 11 月 10 日至 14 日在巴西里约热内卢举行。四位主题演讲嘉宾分别聚焦具身 AI 参与人际交流、多人说话场景下的选择性听觉注意、AI 摘要“委托阅读”的责任审查，以及让青少年参与多媒体系统安全设计。这些议题显示多媒体研究正与更具体的人、更复杂的环境和更长远的影响结合。
#多模态
雷峰网AI 评分2727 Google ResearchAI 评分4444 Google Research 提出 Agile Deliberation：让 AI 协助人类界定主观“灰色地带”
Google Research 开源了 Agile Deliberation 框架，把主观视觉分类器的构建变成人机迭代对话，包含 concept scoping 和 concept iteration 两个阶段。
新智元AI 评分2222 AI 进屋后，下一眼该看哪？观察智能体如何建立三维空间认知
把相机交给 AI，让它进入一间从未见过的虚拟房间，没有预置的物体坐标，也没有预定路线。智能体需自主决定朝哪里转、向哪里移动、何时再拍一张图，并最终说清楚房间中各物体的情况。这展示了智能体如何在探索中逐步建立三维空间认知。
The DecoderAI 评分5353 Google 联合多校团队发布 StreamVibe 视频助手，让 AI 自主判断何时主动帮忙
Google、斯坦福和牛津等机构的研究团队推出视频智能体 StreamVibe，可在用户烹饪或组装家具等任务中自主判断何时开口提供帮助。
新智元AI 评分1717 EMNLP'26｜GPT 也不会「读空气」：狼人杀基准测出多模态大模型社交盲区
一项发表在 EMNLP'26 的研究用狼人杀式基准测试多模态大模型的社交推理能力：模型虽能看到表情、听到声音，却难以判断「我不是狼」这类陈述的真假。结果显示 GPT 等多模态大模型在「读空气」类社交场景中存在明显盲区。
雷峰网AI 评分4040 CNCC 2026：天津大学张长青谈广义多模态融合——给融合加上「可信度量尺」
天津大学张长青在 CNCC 2026 首日 Tutorial《广义多模态融合技术》中，介绍了团队在多模态表征、动态可信融合和通用预测基座方面的研究。其 TMC 方法结合变分狄利克雷分布与 Dempster–Shafer 证据理论估计预测不确定性，在晶体结构识别任务中把分类准确率从约58%—59%提高至93.9%左右。
雷峰网AI 评分5656 清华与智谱论文曝光 GLM-Omni，揭示统一多模态模型会画不会说的瓶颈
清华大学与智谱 AI 联合论文（唐杰任通讯作者）曝光内部模型 GLM-Omni，从 GLM-4.1V-Thinking 出发接入基于 X-Omni 的离散图像 Tokenizer。
The Verge · AIAI 评分7373 Microsoft 发布 Diagnostic Orchestrator，称 AI 诊断准确率可达医生四倍
Microsoft 在 Science 发表研究，称其 Diagnostic Orchestrator 系统诊断准确率最高可达人类医生的四倍，并计划开源自建基准 SDBench。
Google DeepMindAI 评分5858 Google DeepMind 与 WRI、IIASA 发布 ForTy 2020 全球 10 米分辨率森林类型地图
Google DeepMind、Google Research 与 WRI、IIASA 发布 ForTy 2020 全球地图，将每块 10x10 米土地分为六类森林与土地利用类型，并附 2017 至 2025 年逐年变化时间序列。
Google Research精选AI 评分6868 Google Research 发表 AI 辅助盲扫超声孕周评估研究，MAE 4.18 天达到临床非劣效
Google Research 在 JAMA Network Open 发表前瞻多中心研究，评估基于盲扫超声的 AI 孕周评估模型跨临床环境与硬件的泛化能力。385 名 16-36 孕周参与者中，模型平均绝对误差 4.18 天，非劣效于专家超声医师的 4.48 天；芝加哥站 MAE 4.10 天，内罗毕站零本地调优下为 4.27 天。
推荐理由：原文给出前瞻多中心实测数据，显示AI孕周评估在陌生设备和零本地调优下仍接近专家标准，可读性在跨环境泛化证据。
钛媒体AI 评分6464 《柳叶刀·数字健康》发表 FAHR-Face 研究：AI 仅凭人脸照片区分癌症患者死亡风险
《柳叶刀·数字健康》10月20日发表研究，麻省总医院布莱根医疗集团的 FAHR-Face 模型仅凭一张脸部照片即可评估癌症患者死亡风险。
雷峰网AI 评分3838 华中师大 CoReFuse-Med：先净化再融合，让低质模态不再拖后腿｜ACM MM 2026
华中师范大学联合多所高校提出的 CoReFuse-Med，在 ACM MM 2026 上针对空间对齐但采样质量不一的多模态 MRI 融合失效问题，提出先净化后平衡的方案。
新智元AI 评分2626 新基准开测「AI第六感」：人类一眼秒懂，最强模型只拿53.6分
新基准测试评估 AI 的「第六感」，考察模型在人类一眼就能理解的视觉任务上的直觉判断能力。表现最强的模型仅得53.6分，而人类可轻松看懂；即便模型用上万枚推理 token 详细分析视觉题，仍与人类表现存在差距。
新智元AI 评分1919 EMNLP’26 | 清华北邮联合研究：扩散式VLM的安全防线步步失守
清华大学与北京邮电大学在 EMNLP’26 的联合研究警告，扩散式视觉语言模型的安全防线正逐步失守。随着视觉语言模型进入办公助手、内容审核、机器人和智能终端等场景，其需同时理解图片、文字及两者关系，安全风险随之暴露。
量子位AI 评分7171 何恺明团队发布多模态视觉原生 Harness 框架 VISTA
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生 Harness 框架 VISTA，让现有多模态模型直接观察环境、保存原始画面，并在推理时随时回看、放大和检查细节，无需从头训练。