大模型对齐与安全

Beyond the Eye: Efficient Multimodal Reasoning via Self-Regulated Implicit Visual Tools

超越视觉：通过自我调节的隐式视觉工具实现高效多模态推理

Xiuwei Chen, Quanlin Chen, Wentao Hu, Zisheng Chen, Kun Xiang, Zehua Ma, Mingyang Zhang, Jianhua Han, Hanhui Li, Hang Xu, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Yinwang Intelligent Technology Co., Ltd.（银望智能科技有限公司） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 研究针对多模态大语言模型推理效率问题，提出超越视觉（BEE）的隐式视觉工具范式，通过将视觉工具调用行为纳入训练目标，经两阶段训练，包括形式化思维链监督微调与自我调节奖励驱动对齐，提升了模型在细粒度视觉感知任务中的性能和推理效率。

Capture, Shield, or Neutralize: Engagement-Aware Pursuit-Evasion

捕获、防护或中和：基于交战感知的追逃

Ananya Acharya, Trenton Goyette, Masoud Ataei, Adrian Stoica, Vikas Dhiman, Mohammad Javad Khojasteh

专题命中 其他安全 ：safety(abstract)

AI总结 研究多智能体对抗环境下的追逃问题，提出分层控制架构，将战略规划与安全保证解耦。通过零和滚动时域博弈及MPC求解，利用横向速度惩罚和CBF保证安全。模拟实验表明该框架能灵活切换策略，不同规则下性能稳健且控制逻辑不变。

Learning Anatomy-Grounded CT Vision-Language Representations with Organ-Hierarchical Report Knowledge

利用器官分层报告知识学习基于解剖学的CT视觉语言表征

Guoliang You, Hongming Li, Yuanwang Zhang, Yong Fan

机构 * Department of Radiology, Perelman School of Medicine, University of Pennsylvania（放射科，佩尔曼医学院，宾夕法尼亚大学） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 研究利用CT图像与放射学报告进行医学视觉语言预训练，提出OKA-CT框架，通过转化报告为器官条件知识，分阶段学习，在数据集上实现零样本异常诊断高AUROC，优于基线，提升报告-图像对齐。

Comments 9 pages, 6 figures, 4 tables

Learning To Focus: Anatomy-Guided Attention Regularization for Medical Image Classification

学习聚焦：用于医学图像分类的解剖学引导注意力正则化

Tonmoy Hossain, Atiqur Rahman, Farhana Hossain Swarnali, Miaomiao Zhang

机构 * University of Virginia（弗吉尼亚大学） ； Ahsanullah University of Science and Technology（阿山努拉科技大学） ； University of Utah（犹他大学） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 针对医学图像分类中标准分类损失缺乏空间监督的问题，提出Locus框架，利用预训练分割基础模型引导分类器关注诊断相关解剖结构，引入正则化项平衡注意力，在多数据集上验证，提升了分类性能和解剖学注意力。

Anomalous Frame Detection by Grouping Frame Similarities between Two Videos Computed by Vision-Language Model to Extract Expert Workers' Unique Actions

通过对视觉语言模型计算的两个视频之间的帧相似性进行分组来检测异常帧，以提取专家工人的独特动作

Ryo Sakai, Yongpeng Cao, Nobutaka Kimura

专题命中 其他安全 ：safety(abstract)

AI总结 针对熟练维护工人减少的问题，提出通过比较两个视频帧相似性检测异常帧来提取专家独特动作的方法，在模拟实验中对特定动作类型提取率达66.9%，比传统技术提高50个百分点，有助于技能转移和劳动力发展。

Comments 11 pages, 6 figures, 2 tables

Exploiting Structure with Anisotropic Consensus-Based Optimization

基于各向异性共识的优化方法利用结构

Sabrina Bonandin, Konstantin Riedl, Sara Veneruso

专题命中 其他安全 ：alignment(abstract)

AI总结 研究基于各向异性共识的优化方法（CBO），该方法能利用高维目标函数可加分离结构减轻维度诅咒。证明其计算复杂度仅指数依赖内在维度\(\mathbf{d}\)，数值实验验证理论结果，突出相关因素对算法性能和复杂度的影响。

C-GAP: Class-Aware and Online Prompting Improves Vision-Language Models on Imbalanced Classes

C-GAP：类感知与在线提示改进不均衡类上的视觉语言模型

Francis Fernandez, Arash Jahangiri, Salimeh Sekeh

机构 * San Diego State University（圣地亚哥州立大学） 纠错

专题命中 其他安全 ：safety(abstract)

AI总结 研究针对安全关键感知系统检测小标签空间中罕见物体类别的问题，提出C-GAP框架，通过建立复合字幕基线并利用语言模型迭代细化提示，无需更新检测器权重，有效提升少数类检测精度，实验证明其成效显著。

Search-based Testing of Vision Language Models for In-Car Scene Understanding

基于搜索的车内场景理解视觉语言模型测试

Lev Sorokin, Chen Yang, Ken E. Friedl, Andrea Stocco

机构 * BMW Group, Technical University of Munich（宝马集团、慕尼黑技术大学） ； Technical University of Munich（慕尼黑技术大学） ； Technical University of Munich, fortiss GmbH（慕尼黑技术大学、fortiss GmbH） 纠错

专题命中 其他安全 ：safety(abstract)

AI总结 提出ISU-Test方法，结合渲染场景生成与搜索测试，通过优化场景参数自动生成多样化车内场景，评估VLM在问答和字幕任务中的性能，相比随机生成故障率提高10倍，故障覆盖率提高3.6倍。

Comments Accepted at the Industry Track of the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026)

Scaling Mixture-of-Experts Video Pretraining for Embodied Intelligence

用于具身智能的缩放专家混合视频预训练

Shuailei Ma, Jiaqi Liao, Xinyang Wang, Jingjing Wang, Chaoran Feng, Zijing Hu, Chong Bao, Zichen Xi, Yuqi Gan, Weisen Wang, Yanhong Zeng, Qin Zhao, Zifan Shi, Wei Wu, Hao Ouyang, Qiuyu Wang, Shangzhan Zhang, Jiahao Shao, Yipengjing Sun, Liangxiao Hu, Lunke Pan, Nan Xue, Kecheng Zheng, Yinghao Xu, Xing Zhu, Yujun Shen, Ka Leong Cheng

机构 * Robbyant（蚂蚁灵波） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 针对视频生成模型领域不匹配问题，提出LingBot-Video，采用MoE架构、构建数据剖析引擎、开发多维奖励系统进行视频预训练，验证了其性能和效率，贡献了首个大规模开源MoE视频基础模型。

Comments Project page: https://technology.robbyant.com/lingbot-video

Exploring Serendipity in Information Seeking for Digital Collections: A Mixed-Methods Survey Study toward Human-Centered Design

探索数字馆藏信息检索中的意外发现：以用户为中心设计的混合方法调查研究

Saumik Shashwat, Xiaoyi Xue, Benjamin Charles Germain Lee

专题命中 其他安全 ：alignment(abstract)

AI总结 该研究以混合方法调查探索数字馆藏信息检索中的意外发现，通过在线调查获取用户体验等数据，发现目标宽泛和具体的参与者意外发现感知情况、意外数字环境与发现的关联及影响因素等，并讨论了促进意外发现的系统设计方向。

Comments 9 pages, 2 figures, 2 tables

Machine Learning-Based Battery State-of-health Prediction for Unmanned Aerial Vehicles Predictive Maintenance

基于机器学习的无人机预测性维护电池健康状态预测

Jiarui Xie, Lingchen Kong, Mohamed Rami Latreche, Sean Smith, Elaine Mosconi, Yaoyao Fiona Zhao

专题命中 其他安全 ：safety(abstract)

AI总结 研究针对无人机电池健康状态预测中数据稀缺等问题，开发基于机器学习的管道，通过飞行实验收集数据，选电压等为输入特征，将时间序列数据转图像，利用迁移学习获准确预测模型。

Comments 6 pages, 2 figures, 4 tables

Structured-Condensed Prompt Tuning in Vision-Language Models for Fine-grained Image Recognition

用于细粒度图像识别的视觉语言模型中的结构化压缩提示调优

Xinda Liu, Qinyu Zhang, Weiqing Min, Guohua Geng, Shuqiang Jiang

机构 * School of Information Science and Technology, Northwest University（西北大学信息科学与技术学院） ； Laboratory of Intelligent Information Processing, Institute of Computing Technology（中国科学院计算技术研究所智能信息处理重点实验室） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 针对细粒度图像识别中视觉语言模型捕捉细微差别能力有限的问题，提出结构化压缩提示调优（SCPT），通过语义关系编码和语义压缩损失增强语义结构建模，在多基准实验中有效减轻语义模糊性，取得领先性能。

KOAL: Knowledge-Driven Prostate Cancer Grading with Ordinal-Aware Learning

KOAL：基于序数感知学习的知识驱动前列腺癌分级

Zheng Guo, Jiaqi Cui, Haocheng Xiong, Jize Han, Bo Liu, Qianwen Zhang, Rui Chen, Yan Wang

机构 * School of Computer Science, Sichuan University（四川大学计算机学院） ； China Mobile (Suzhou) Software Technology Company Limited（中国移动（苏州）软件技术有限公司） ； Shanghai Changhai Hospital, Naval Medical University（上海长海医院，海军医学大学） ； Renji Hospital, Shanghai Jiao Tong University School of Medicine（仁济医院，上海交通大学医学院） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 研究利用mpMRI无创预测前列腺癌GGG的问题，提出KOAL框架，含临床上下文调制、知识引导原型对齐和分层序数感知约束三个模块，实验证明该框架优于现有方法，提升了前列腺癌GGG预测准确性。

Comments 10 pages, 2 figures, 2 tables. Accepted at MICCAI 2026. This is the submitted version prior to peer review. The final authenticated version will be available on SpringerLink

ARMS: Anchor-Relational Motion Streaming for Seamless Solo-Social Motion Transitions

ARMS：用于无缝单人-社交运动转换的锚定关系运动流

Huakun Liu, Qing Yu, Kent Fujiwara, Hideaki Uchiyama, Kiyoshi Kiyokawa

机构 * Nara Institute of Science and Technology（奈良科学技术研究所） ； LY Corporation（LY 公司） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 研究旨在从文本生成连续且连贯的人类运动。提出ARMS框架，统一单人运动和人际互动，引入动态不对称表示，用因果关系扩散模型及关系门控实现。实验表明其提升了转换平滑度与社会连贯性，在互动基准测试中表现良好。

Comments Accepted by ECCV 2026. Project page: https://hkliu.com/arms

Recovering Cloud Microstructures with Cascaded Diffusion Inversion

通过级联扩散反演恢复云微观结构

Hanan Gani, Guy Pulik, Daniel Rosenfeld, Duncan Watson-Parris, Salman Khan

机构 * Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 针对卫星云图像分辨率不足及现有方法不适用于此类图像的问题，提出基于扩散的两阶段超分辨率框架，能将云微观结构分辨率提高4倍，在精度和视觉质量上优于现有方法，为云微物理分析及利用AI促进气候和可持续性提供路径。

Comments Published at ML4RS Workshop ICLR 2026

Video-Text Temporal Localization via Multi-Scale Convolution and Dynamic Routing

通过多尺度卷积和动态路由实现下一代网络的语义视频通信

Gengtian Shi, Jinze Yu, Chenhao Wu, Shaofei Wang, Eiji Fukuzawa, Junjie Tang, Hiroshi Onoda, Jiang Liu

机构 * Graduate School of Fundamental Science and Engineering, Waseda University（早稻田大学基础科学与工程研究生院） ； Generative AI Innovation Center, Amazon Web Services（亚马逊网络服务生成人工智能创新中心） ； Amazon（亚马逊） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 针对视频流量增长需求，提出语义视频通信框架，用多尺度时间卷积编码器捕捉运动模式，基于胶囊的动态路由机制优化关联，多任务学习统一组件，在实验中取得显著改进。

Comments Accepted at the AAAI 2026 Workshop on AI for Time Series (AI4TS)

Emergence of Preferential Attachment and Glass-Ceiling Effects in Autonomous Networks of LLMs

LLM自主网络中优先连接与玻璃天花板效应的涌现

Yiming Zhang, Vikram Krishnamurthy

专题命中 其他安全 ：alignment(abstract)

AI总结 研究LLM代理自主选择合作者时网络结构的涌现，发现优先连接和类型依赖的玻璃天花板效应，通过平均场模型证明中心性收敛，实验验证了网络动态对集体性能的影响。

DiCE-CIR: Direct Composition Learning for Efficient Zero-Shot Composed Image Retrieval

DiCE-CIR：用于高效零样本合成图像检索的直接合成学习

Gwang-Ho Na, Ho-Joong Kim, Seong-Whan Lee

机构 * Institute of Information & Communications Technology Planning & Evaluation (IITP)（信息通信技术规划与评估研究所（IITP）） ； Department of Artificial Intelligence, Korea University（韩国大学人工智能系） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 研究零样本合成图像检索问题，提出直接合成学习方法DiCE-CIR，直接组合参考图像和编辑文本预测合成查询表示，用大语言模型自动构建训练样本，训练轻量级模块，实验表明其性能优且效率高。

QSVideo: Query-Conditioned Semantic Temporal Retrieval for Video Understanding

QSVideo：用于视频理解的查询条件语义时间检索

Wei Ao, Lan Wang, Vishnu Naresh Boddeti

机构 * Michigan State University（密歇根州立大学） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 针对视频理解中视觉语言模型性能随视频时长下降问题，提出QSVideo框架，通过查询条件语义排序器、联合优化相关性和多样性及时间对齐策略，提升视频VLM性能。

Comments ECCV 2026

PhysMirror: Physics-Aware Mirror Object Generation

物理镜像：物理感知镜像对象生成

Xuan-Bach Mai, Duy-Phuc Nguyen, Quoc-Van Le, Tam V. Nguyen, Thanh-Toan Do, Huu Le, Duong-Van Nguyen, Minh-Triet Tran, Trung-Nghia Le

机构 * University of Science, Ho Chi Minh City（胡志明市科学大学） ； Vietnam National University, Ho Chi Minh City（胡志明市越南国家大学） ； University of Dayton（代顿大学） ； Monash University（莫纳什大学） ； VinFast（VinFast公司） ； VinUniversity（Vin大学） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 针对现代文本到图像扩散模型合成物理精确镜像反射的挑战，提出物理感知生成框架PhysMirror，通过3D空间先验执行投影几何，引入评估指标，实验表明其在反射精度等方面优于基线。

Comments IROS 2026

Beyond DSA: Conjugacy-based Comparison of Dynamical Systems

超越DSA：基于共轭的动力系统比较

Prakhar Godara, Pang Shiang Tay, Marcelo G. Mattar

专题命中 其他安全 ：alignment(abstract)

AI总结 研究比较两个动力系统是否实现相同计算的问题，指出DSA中正交对齐对拓扑共轭非必要非充分，提出基于共轭的相似性分析（CSA），证明其拟合对齐是相关合成算子的有限数据投影。

DeepGaze3.5-VL: Modeling Scanpaths via Autoregressive Token Prediction

DeepGaze3.5-VL: 通过自回归标记预测建模扫描路径

Susmit Agrawal, Matthias Bethge, Matthias Kümmerer

机构 * IMPRS-IS 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 将扫描路径预测建模为离散序列任务，利用视觉语言模型的预训练表示，通过简单提示实现个性化偏置和任务特定目标，在MIT1003上信息增益达2.18比特，比DeepGaze III提升46%。

Towards Real-World Ultrasound Understanding: Large Vision-Language Models from Multi-Image Examinations with Long-Form Reports

迈向真实世界超声理解：基于多图像检查与长文本报告的大规模视觉语言模型

Bingcong Yan, Chunlei Li, Jingliang Hu, Yilei Shi, Xiao Xiang Zhu, Lichao Mou

机构 * MedAI Technology (Wuxi) Co. Ltd.（MedAI科技（无锡）有限公司） ； Technical University of Munich（慕尼黑工业大学） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 通过构建150万次真实超声检查的大规模数据集（含1770万图像和多器官覆盖），采用标准视觉语言模型结合低秩适配微调，无需复杂架构即实现多任务超声理解性能领先。

Comments Project Page: https://medai-t.github.io/LUMI/

FoundDP: Revisiting Weak Disparity Observability in Dual-Pixel Depth Estimation

FoundDP：重新审视双像素深度估计中的弱视差可观测性

Fengchen He, Hao Xu, Dayang Zhao, Tingwei Quan, Shaoqun Zeng

机构 * Huazhong University of Science and Technology（华中科技大学） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 提出FoundDP框架，结合双像素深度与单目深度基础模型的全局结构先验，通过ViT特征对齐缓解散焦模糊导致的表示退化，在弱视差区域提升结构一致性与度量精度。

Language-Assisted Super-Resolution from Real-World Low-Resolution Patches

语言辅助的真实世界低分辨率图像超分辨率

Joonkyu Park, Kyoung Mu Lee

机构 * IPAI, Seoul National University（首尔大学IPAI） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 提出LA-SR框架，利用视觉语言模型在语言空间中对齐LR和HR图像，通过语言内容损失和语言质量损失实现无配对真实LR图像的超分辨率。

Comments 19 pages

LLM can Read Spectrogram: Encoder-free Speech-Language Modeling

LLM 能读频谱图：无编码器的语音语言建模

Ruchao Fan, Yiming Wang, Yuxuan Hu, Bo Ren, Yufei Xia, Xiaofei Wang, Yao Qian, Shujie Liu, Jinyu Li

机构 * Microsoft, USA（微软公司，美国） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 提出 Mel-LLM，一种无需专用语音编码器、直接将梅尔频谱图补丁通过线性投影输入 LLM 的架构，在 ASR 和 TTS 任务上验证了其可行性，ASR 性能与有编码器方案相当，TTS 初步可行。

AD-MPCC: Adaptive Differentiable Model Predictive Contouring Control for Autonomous Racing

AD-MPCC：用于自主赛车的自适应可微分模型预测轮廓控制

Nam T. Nguyen, Binh Nguyen, Ahmad Amine, Thanh Vo-Duy, Rahul Mangharam, Truong X. Nghiem

专题命中 其他安全 ：safety(abstract)

AI总结 提出AD-MPCC框架，结合可微分MPCC与在线参数估计，通过Pacejka魔术公式和正则化移动视界估计适应路面变化，并利用可微分MPCC优化目标权重，实现更快圈速和安全性。

Do Machines Struggle Where Humans Do? LLM and Human Comprehension of Obfuscated Code

机器会在人类感到困难的地方也遇到困难吗？大语言模型与人类对混淆代码的理解

Jack Le, Anh H. N. Nguyen, Tien N. Nguyen

专题命中 其他安全 ：alignment(abstract)

AI总结 基于人类对混淆代码理解的研究，评估大语言模型是否共享人类在混淆代码下的失败模式，发现推理调优模型与人类困难模式显著对齐，而指令调优模型相关性接近零。

Comments 13 pages, 15 figures

AeroVerse-SatAgent: UAV-Satellite Collaborative Spatial Reasoning Inspired by the Dual Visual Pathway Theory of Cognitive Neuroscience

AeroVerse-SatAgent: 受认知神经科学双视觉通路理论启发的无人机-卫星协同空间推理

Wenyi Zhang, Fanglong Yao, Youzhi Liu, Peng Hu, Zhengqiu Zhu, Chen Gao, Xian Sun, Kun Fu

机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院） ； Key Laboratory of Target Cognition and Application Technology (TCAT), Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院目标认知与应用技术重点实验室） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机学院） 纠错

专题命中 其他安全 ：alignment(abstract)

AI总结 针对单视角感知易受遮挡和视角变化影响的问题，提出受人类视觉双通路机制启发的无人机-卫星协同空间推理模型SatAgent，通过几何感知3D重建编码器、多视角拓扑语义对齐模块和一致性损失，在复杂城市环境中实现鲁棒推理，构建首个大规模协同数据集，性能超越现有模型。

Comments 21 pages, 10 figures and 8 tables

Failure-Based Testing for Deep Reinforcement Learning Agents

基于失败的深度强化学习智能体测试方法

Weibin Lin, Jiangtao Meng, Zheng Zheng

专题命中 其他安全 ：safety(abstract)

AI总结 针对深度强化学习智能体测试中奖励信号失效的问题，提出一种基于任务失败洞察的黑盒测试方法PRT，通过优先测试高难度任务来提升故障检测效率，在四个基准上测试成本降低超50%。

Comments 22 pages