AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
JoyAI-Talker：面向共情语音智能体的全双工语音交互大模型
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 JoyAI-Talker采用Thinker-Talker架构等技术，实现兼具强推理能力与共情交互的全双工语音对话系统，在基准测试及用户打断、背景语音场景下表现优异。
MonitorVLM-v2：用于实时安全违规检测的已部署视觉-语言框架
机构 * School of Mechanical Engineering, University of Science and Technology Beijing（北京科技大学机械工程学院） ； The Laboratory for Computational Sensing and Robotics, Johns Hopkins University（约翰霍普金斯大学计算传感与机器人实验室）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 本文提出MonitorVLM-v2框架，将VLM安全评估转化为有限符号空间概率推理，结合SymPO算法与熵驱动分类机制，在地下矿部署中实现19.45倍提速，确认违规量达人工检查的2.78倍，满足实时可审计工业监控需求。
DiffuseAgent-MI：用于忠实视觉推理的基于分布、集成工具的自进化智能体
专题命中 推理与问题求解 ：language agent(abstract)
AI总结 DiffuseAgent-MI是基于分布、集成工具的自进化视觉推理智能体，通过KL最小能量模型与轨迹级验证器提升忠实性，在多数据集上准确率及相关指标表现优于现有模型。
Comments 11 pages, 9 figures, accepted by ICML 2026 manitrack
GuideGround：用于3D视觉定位的VLM引导语义理解与视点感知推理
专题命中 推理与问题求解 ：language model(abstract)
AI总结 GuideGround是一种VLM引导的3D视觉定位框架，用VLM生成的语义描述替代闭集分类、逐视图保留假设并经VLM验证，在ReferIt3D基准上性能优于现有SOTA。
Comments 18 pages, 5 figures
SAGP：基于粗区域VLM推理的语义 affordance 引导抓取规划
机构 * Khalifa University（哈利法大学） ； KU Center for Autonomous Robotic Systems (KUCARS)（KU自主机器人系统中心（KUCARS））
专题命中 推理与问题求解 ：language model(abstract)
AI总结 SAGP是一种无训练的抓取规划框架，通过粗区域抽象层结合VLM推理与几何规划，在保持纯几何抓取高成功率的同时，提升了抓取的功能适用性，尤其适用于非对称带把手物体。
Comments Accepted in ICAME2026
基于情感异质图推理与多任务联合学习的自适应情感视频描述
机构 * School of Software, Northwestern Polytechnical University（西北工业大学软件学院） ； School of Computer Science, The University of Sydney（悉尼大学计算机学院）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 针对现有情感视频描述方法情感先验处理的缺陷，提出基于情感异质图与多任务联合学习的SAGML框架，实现了更鲁棒的情感视频描述性能。
幻觉留下 grounding 特征：用于选择性对象修正的验证器引导解码
专题命中 推理与问题求解 ：language model(abstract)
AI总结 该研究针对大型视觉语言模型的对象幻觉问题，提出基于内在 grounding 特征（IGS）的验证器引导解码（VGD）框架，在保留视觉理解和对象覆盖率的同时，实现了最先进的对象幻觉缓解效果。
推理时代理决策规则在多图像医学推理任务中优于更长的进化搜索
机构 * Yale University（耶鲁大学）
专题命中 推理与问题求解 ：language agent(abstract)
AI总结 本研究对比5种推理时代理策略，发现多图像医学推理中，顺序投票决策规则比扩展进化搜索预算的影响更大，其最终测试准确率显著优于基线及复杂变体。
Comments Presented at the CVPR 2026 Workshop on Multi-Modal Reasoning for Agentic Intelligence
ContactFlow：一种可跨 embodiment 迁移的视频动作条件模型
机构 * University of Bonn（波恩大学） ； Lamarr Institute（拉马尔研究所）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 Contact Flow 是一种与 embodiment 无关的动作表示，可跨人类演示与不同机器人 embodiment 迁移，用于构建能预测合理操纵结果的世界模型，集成到 pipeline 后在相关任务上表现良好。
递归治理：智能体人工智能系统中风险传播与漂移检测的图论框架
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 针对金融机构模型风险管理问题，提出动态IaC治理循环，贡献包括引入校准DoA得分、构建DAG定义算法、开发轨迹监测协议及解决版本变化等实际复杂性问题，用于智能体人工智能系统风险传播与漂移检测。
PoCEvolve：通过漏洞感知提示进化从安全补丁生成概念验证漏洞利用程序
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 研究修复提交与详细漏洞报告可用性的延迟问题，提出PoCEvolve框架，可从漏洞修复提交直接生成概念验证漏洞利用程序，通过评估相关上下文指导提示进化，在不同模型上有不同成功率提升。
SoundscapeAgent：用于可控合成和可扩展音频-语言监督的智能音景构建
机构 * Tencent（腾讯）
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 提出智能音景构建框架SoundscapeAgent，基于大语言模型的智能体将用户意图转化为场景计划，经多步骤实现可控音频合成与可扩展音频-语言数据构建，在生成性能及下游音频推理方面表现出色。
Comments Submitted to SLT 2026
通过物理智能解决通用机器人中的编排差距
机构 * Princeton University（普林斯顿大学） ； Together AI（联合人工智能）
专题命中 推理与问题求解 ：post-training(abstract)
AI总结 研究通用机器人行动推理问题，提出将相关能力分解为语言条件策略/控制智能体与高级智能体管理器/编排器，构建物理智能体编排器Pigey，经评估其在模拟和实际任务中性能显著提升，缩小了编排差距。
一种用于无训练城市医疗保健 OD 预测的知识驱动行为推理框架
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 研究城市医疗保健 OD 预测问题，提出基于知识驱动行为推理的无训练框架，将异构城市信息组织成知识图谱，通过多智能体推理实现预测。实验表明该框架性能优于传统深度学习基线，凸显城市智能在医疗保健出行建模上从数据拟合到知识驱动推理的潜力。
Comments 16 pages, 9 figures. Submitted to the 4th International Conference on Urban Science and Intelligence
ZONDA：多楼层环境中具有动态避障功能的零样本目标导航
机构 * Southern University of Science and Technology（南方科技大学） ； Guangdong Direct Drive Technology Limited（广东直驱技术有限公司） ； South China University of Technology（华南理工大学） ； Great Bay University（大湾区大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 研究针对目标导航任务中现有方法局限，提出ZONDA框架，集成启发式多楼层规划、多视图目标验证、动态行人避障三个核心组件，通过真实机器人及模拟测试取得显著改进结果，在动态基准测试中表现优于现有基线。
SeededGrasp：复杂场景中多实体语言引导抓取
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of British Columbia（英属哥伦比亚大学） ； Google Deepmind（谷歌DeepMind）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 针对复杂场景中机器人抓取问题，提出 SeededGrasp 框架，通过 VLM 预测种子点，结合轻量级抓取生成模型，解耦语义与几何执行，无需端到端训练，发布多实体数据集，实验证明该方法优于基线。
Trace：一种用于多领域视觉推理的分类法引导环境
机构 * Rochester Institute of Technology（罗彻斯特理工学院）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 针对视觉语言模型缺乏合适训练数据的问题，提出Trace分类法引导环境，将任务构建分解，通过共享语义状态确定相关元素，在该环境上的RLVR提升了模型在外部基准测试中的表现，证明训练可迁移。
ChronoStitch：用于长时程时间推理的视觉键值记忆的免训练组合
机构 * KGraph AI Solutions Pvt. Ltd.（KGraph人工智能解决方案私人有限公司）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 针对长视频问答中视觉KV记忆组合问题，ChronoStitch提出免训练方法，先将键值重基于全局坐标系，解决几何不一致问题，再处理残余内容差距，通过选择性重新计算部分视觉令牌，提升事件排序准确性且运行速度更快。
Comments 6 pages, 4 tables
无需训练，飞行更佳：用于无人机导航的测试时缩放视觉语言模型
专题命中 推理与问题求解 ：language model(abstract)
AI总结 研究如何将测试时缩放应用于无人机视觉语言导航，通过迭代细化和多标准评分函数，无需额外训练，使冻结模型自我校正，生成更准确可靠飞行计划，实现最优性能。
WorldScape Policy 2.0：通过推理增强记忆实现可控的世界行动建模
专题命中 推理与问题求解 ：pretraining(abstract)
AI总结 研究针对现有世界行动模型的局限，提出WorldScape Policy 2.0，用推理增强记忆，构建相关数据集，实现从高级指令自主规划及基于细粒度文本等的可控执行，在模拟和现实平台实验中展现出在多方面的卓越能力。
超越文本编辑：源代码的代数操作
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 研究提出源代码代数方法，通过逻辑代数操作修改代码库，概述其操作属性。实验表明大语言模型代理用此方法完成代码更改成功率更高、令牌数更少，为代码编辑提供新方向，推动相关研究。
Comments Accepted for publication in the Visions and Emerging Results Track of the 42nd IEEE International Conference on Software Maintenance and Evolution (ICSME 2026), 14-18 September 2026, Benevento, Italy
RECEIPT：用于白盒代理式XSS发现的确定性、抗奖励攻击验证
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 研究针对白盒代理式XSS发现中编码代理声明不可信的问题，提出RECEIPT验证框架，通过环境隔离等手段使发现可信，经实验评估，在预算内发现多个未知漏洞，相比其他方式能确认更多真实利用且无假阳性。
VGOcc：学习视觉几何高斯用于以视觉为中心的3D驾驶占用预测
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 研究仅视觉3D驾驶占用预测问题，提出VGOcc方法，通过从基础模型学习视觉和几何线索，纳入高斯建模的初始化与细化，实现高效语义占用预测，在nuScenes实验中达最优性能。
ShotPlan：使用可学习规划令牌生成电影级视频
机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） ； Harbin Institute of Technology（哈尔滨工业大学）
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 针对电影级视频生成难题，提出ShotPlan框架，基于视频扩散基础模型，引入可学习规划令牌捕捉镜头过渡线索，结合分数时间旋转位置嵌入在帧级别建模，实验证明其优于现有方法，提升了镜头管理与一致性。
Comments Project page: https://pensioner-11.github.io/ShotPlan/
Rtl2lean：通过分层定理生成和引理重用实现从寄存器传输级到Lean的自动翻译
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 本文提出Rtl2lean框架，自动将RTL设计转为Lean 4模型并构建分层定理库。通过四层定理框架和基于大语言模型的证明循环处理验证。实验表明该框架能构建机器检查的RTL证明库，检查开销低且引理重用性高。
Comments 6 pages, 2 figures
超越语义的艺术：用于多关系表示的层状信息对比学习
机构 * University of Zurich（苏黎世大学） ； Max Planck Institute Bibliotheca Hertziana（马克斯·普朗克赫兹iana图书馆研究所） ； Sapienza University of Rome（罗马第一大学） ； Amazon（亚马逊） ； University of Amsterdam（阿姆斯特丹大学） ； The University of Osaka（大阪大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 该研究针对视觉语言模型丢失艺术作品多关系结构的问题，引入受层理论启发的CANVAS框架，通过多嵌入和对比损失学习关系感知多模态表示，在新基准测试中表现优于基线，证明多关系对齐在艺术理解中兼具理论与实践价值。
Comments Accepted to ECCV 2026
HoloGeo：通过证据驱动推理减轻地理定位中的地标偏差
机构 * National University of Singapore（新加坡国立大学） ； Shandong University of Science and Technology（山东科技大学） ； University of Oxford（牛津大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 研究针对视觉语言模型地理定位易受地标偏差影响的问题，提出证据驱动推理框架HoloGeo，借助高质量数据集，通过多维度奖励实现平衡关注与联合推理，经实验验证其在多个数据集上能有效减轻地标偏差，提升地理定位性能。
SoftNav：将3D场景令牌注入视觉语言模型以进行具身导航
机构 * Zhejiang University（浙江大学） ； Shandong University（山东大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 研究针对具身导航中3D场景理解与导航推理协同问题，提出SoftNav方法，通过轻量级投影仪将3D连续表示作为软令牌注入VLM隐藏空间，在HM3D-OVON上超越先前方法，且能零样本转移到其他场景，弥合表征差距实现可转移导航。
Comments 8 pages, 6 figures. Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2026
在线Beck--Fiala问题降至对数稀疏度
专题命中 推理与问题求解 ：prompting(abstract)
AI总结 研究将离线Beck--Fiala猜想有效性扩展到\(d\geq\log(T)^{1 + o(1)}\)，通过结合在线Komlós问题相关思想的在线算法最小化前缀差异，解决了Spencer设定下在线向量平衡问题，且该结果本质最优。
Comments 9 pages
ProfMalPlus：通过静态-动态分析协同实现代理协调检测恶意NPM包
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 研究针对NPM包恶意代码检测问题，提出ProfMalPlus，结合对象敏感行为图与大语言模型推理，经多步骤提取安全切片并评估，对不确定情况增强证据后再评估，最终定位恶意代码，F1分数高且发现多个未知恶意包，性能优于现有检测器。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈