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。
解耦语义与几何基础：面向语言条件模仿学习的空间视觉提示
机构 * Tsinghua University（清华大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； National University of Singapore（新加坡国立大学）
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 提出SVP-IL解耦架构，通过视觉语言基础模型将指令解析为零样本几何掩码，生成空间视觉提示并注入连续动作生成器，在低数据条件下显著提升语言条件模仿学习的成功率。
ViTexQA: 面向视频文本问答的多帧时序感知数据集
机构 * Meituan（美团） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 推理与问题求解 ：SFT(abstract)
AI总结 提出ViTexQA数据集和FrameThinker方法，通过跨帧文本融合的问答对和两阶段训练（CoT微调+时序强化学习），解决多帧时序文本感知难题，ROUGE-L提升6.3%。
Comments Accepted by ECCV2026
RoBoSR：面向具身机器人推理的结构化场景表示
专题命中 推理与问题求解 ：prompting(abstract)
AI总结 提出RoBoSR，一种基于语义对象中心场景图的中间结构表示，将操作建模为逐步状态转换，实现因果推理和长期任务规划，并在零样本泛化中优于提示方法和经典TAMP基线。
使用取证知识图谱的可信图像认证
机构 * Drexel University（德雷塞尔大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出取证知识图谱（FKG）框架，通过结构化取证证据提取与推理实现可解释的图像伪造检测，优于现有检测器和视觉语言模型。
Comments Accepted and Published at ECCV 2026
LaST-HD：从可扩展人类数据中学习潜在物理推理以进行机器人操作
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Simplexity Robotics ； Aether Tech
专题命中 推理与问题求解 ：post-training(abstract)
AI总结 提出LaST-HD框架，通过将人手与机器人演示在共享潜在推理空间中对齐，利用未配对轨迹训练世界模型合成统一潜在目标，实现跨形态物理动力学内化，并开发低成本数据手套OOL Glove，结合混合训练策略，仅用少量人类数据即可达到高泛化性能。
SATURN: 多视角定位的符号化空间推理
机构 * Michigan State University（密歇根州立大学） ； Lambda Labs（Lambda实验室）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出SATURN框架，通过神经符号方法实现视角感知的组合空间推理，结合3D场景重建、软空间谓词和Python符号执行器，在3D FORCE和MindCube基准上显著优于强基线。
关注细节的机器人批评家
机构 * Columbia University（哥伦比亚大学） ； Toyota Research Institute（丰田研究所）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 针对大视觉语言模型在机器人操作中难以区分微小视觉差异的问题，提出通过成功与失败轨迹构建成对进展监督来微调批评家，提升细粒度推理和失败检测能力，并在真实和仿真任务中分别提高策略成功率11%和5.9%。
零样本长时程灵巧操作：基于多视图3D接地VLM推理
机构 * Seoul National University（首尔国立大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出零样本框架，利用多视图RGB图像通过VLM生成3D任务规划，结合三角测量和射线投票实现精确3D接地，支持抓取和工具使用，在真实实验中优于基线方法。
G2G：利用组内几何进行组间姿态估计
机构 * State Key Laboratory of Industrial Control and Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室） ； Zhejiang Humanoid Robot Innovation Center Co., Ltd.（浙江人形机器人创新中心有限公司） ； School of Information Science and Engineering, Hangzhou Normal University（杭州师范大学信息科学与工程学院）
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 提出G2G方法，通过冻结多视图基础模型并添加三个轻量可训练模块（感知器重采样器、跨组桥接模块和多帧姿态头），仅利用相对姿态监督实现组间6-DoF姿态估计，在四个数据集上达到SOTA。
SIGMA: 用于组合式多智能体设计的技能-关联图
专题命中 推理与问题求解 ：LLM(abstract_cn)
AI总结 提出SIGMA框架，通过技能-智能体关联图将智能体构建为可复用技能的任务条件组合，并解码通信拓扑，在六个基准测试中优于基线方法，并展现出对未见技能库的鲁棒性。
Comments EMNLP2026
ReSiReg：面向语言条件机器人任务的空间一致语义
机构 * Graz University of Technology, Institute of Software Engineering and Artificial Intelligence（格拉茨技术大学，软件工程与人工智能研究所） ； University of Applied Sciences Technikum Wien, Department of Industrial Engineering（维也纳应用科技大学，工业工程系） ； University of Alicante, Department of Computer Technology（阿利坎特大学，计算机技术系） ； University of Natural Resources and Life Sciences, Institute for Integrative Nature Conservation Research（自然资源与生命科学大学，整合自然保护研究 institute）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出ReSiReg方法，通过重构空间一致的VLM中间特征，改善密集语言接地检索，在OVSS和3D映射中提升空间一致性，并发布紧凑的25M参数VLM模型。
进化与基础模型：AI共享创意控制
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 提出一种结合遗传算法与多模态AI基础模型的框架，实现自动化设计3D有机形态，将艺术家角色从直接选择转变为系统设计，加速创意探索。
$\texttt{WEAVER}$：更好、更快、更长——一种有效的机器人操作世界模型
机构 * Mila - Québec AI Institute（Mila - 魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； Carnegie Mellon University（卡内基梅隆大学） ； McGill University（麦吉尔大学）
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 提出WEAVER世界模型架构，通过流匹配损失训练多视图潜在预测，同时实现高保真度、长程一致性和高效推理，在机器人操作任务中显著提升策略评估、改进和测试时规划性能。
EventDrive: 用于视觉-语言驾驶智能的事件相机
机构 * NUS（新加坡国立大学） ； HKUST(GZ)（香港科技大学（广州）） ； Horizon Robotics（地平线机器人） ； A*STAR, I2R（新加坡科技研究局，资讯通信研究院） ； IPAL, CNRS IRL 2955, Singapore（IPAL，法国国家科学研究中心国际联合实验室2955，新加坡） ； University Toulouse, CNRS, CerCo, Toulouse, France（图卢兹大学，法国国家科学研究中心，CerCo，法国图卢兹） ； ETIS UMR 8051, CY Cergy Paris University, ENSEA, CNRS, France（ETIS UMR 8051，CY塞尔吉-巴黎大学，ENSEA，法国国家科学研究中心，法国）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出EventDrive基准和模型套件，通过多时域事件金字塔和时域混合专家模块融合事件流与RGB帧，在感知、理解、预测和规划四维度提升驾驶推理性能。
Comments CVPR2026, 34 pages, 15 figures, 15 tables, project page: https://dylanorange.github.io/projects/eventdrive
面向手术室视频的推理式文本-视频检索：基于动作驱动数字孪生
机构 * Johns Hopkins University（约翰霍普金斯大学）
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 提出OR3方法，通过动作驱动数字孪生（ActDT）将视频片段转化为结构化表示，并利用大语言模型生成假设ActDT进行检索，结合证据修正实现隐式查询推理，在手术室视频检索中显著优于基线。
注意差距：诊断图像内文本编辑中的约束发现失败
专题命中 推理与问题求解 ：prompting(abstract)
AI总结 通过图像内文本编辑的受控诊断，研究多模态模型在发现未明确指定的视觉依赖约束时的失败，发现模型仅能自行发现46%的约束，而明确提供时可达94%。
自监督单目视频深度估计的3D一致性优化
机构 * Fudan University（复旦大学） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 提出一种将视频深度估计转化为多视图3D重建的框架，通过光度渲染、世界坐标对齐和多尺度时间梯度一致性约束，实现全局3D结构一致性，在自监督和零样本临床场景中达到最先进的空间精度。
立场：视觉推理中系统性的能动性缺失
机构 * National Engineering Research Center for Multimedia Software, Institute of Artificial Intelligence, School of Computer Science, Wuhan University（武汉大学计算机学院人工智能研究所多媒体软件工程研究中心） ； Hubei Key Laboratory of Multimedia（湖北省多媒体与网络通信工程重点实验室） ； Zhongguancun Academy, Beijing, China. 100094（中关村学院，北京，中国） ； School of Automation, Beijing Institute of Technology（北京理工大学自动化学院） ； Shanda AI Research Tokyo（上海大势人工智能研究东京）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 本文指出当前视觉语言模型因缺乏自主探索能力而无法进行隐式推理，并提出V-IRD基准来评估这一能力，实验表明强语义识别不等同于主动视觉探索。
Comments Accepted by ICML 2026
CausalMotion: 基于关键帧与轨迹引导的结构化物理推理实现免训练视频生成
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； ShanghaiTech University（上海科技大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出CausalMotion框架，利用视觉语言模型将文本提示分解为因果一致的关键帧和物体运动轨迹，作为软约束引导预训练视频扩散模型，无需额外训练即可提升物理合理性和时间连贯性。
Comments Project Page: https://zhuangsh0713.github.io/CausalMotion/
基于蒸馏视觉语言可靠性的引导扩散用于空中导航
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出一种可靠性感知的扩散规划器，通过蒸馏视觉语言模型生成场景级可靠性热图，引导去噪过程处理不可靠区域，显著降低无人机导航中的障碍物违反率并提高区域可靠性。
SPARC：来自机器人演示的可靠空间标注
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； NVIDIA（英伟达） ； Robotics Institute Germany（德国机器人研究所）
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 提出SPARC框架，利用机器人任务的时空结构生成可靠性评分，自动标注演示中的空间信息，减少噪声标签并保留更多有用样本，在物体定位基准上优于纯检测基线。
基于时空场景图基础的计划与验证视频奖励推理
机构 * Korea University（高丽大学）
专题命中 推理与问题求解 ：post-training(abstract)
AI总结 提出SG-PVR视频奖励模型，通过计划-验证推理和时空场景图，系统验证提示中的每个条件，实现细粒度语义对齐，提升文本到视频生成的组合对齐。
探索与补充物联网系统中终端用户的需求
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 针对终端用户通过触发动作编程创建物联网规则时表达碎片化的问题，提出一种基于意图的需求补全方法，利用双向需求可追溯树和多智能体框架，结合大语言模型推理与结构化可追溯性，实现功能完整且内在安全的规则补全，将规则补全率提升43%，逻辑冲突减少21%以上。
AudioProcessBench: 音频基础推理中过程错误识别的基准
机构 * Monash University（墨尔本大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学-利物浦大学） ； Orygen（Orygen研究所） ； University of Melbourne（墨尔本大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出AudioProcessBench基准，用于评估音频-语言模型在推理步骤中的过程错误识别能力，涵盖步骤正确性、错误类型检测和链级聚合三种范式。
Video2Sim2Real：从单个人类视频实现全栈自主灵巧技能获取
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Toyota Research Institute（丰田研究所） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 推理与问题求解 ：foundation model(abstract)
AI总结 提出Video2Sim2Real框架，从单个人类操作视频中重建数字孪生并提取运动先验，通过物体关键帧优化机器人配置，结合残差强化学习与碰撞感知规划，实现从仿真到真实世界的灵巧技能迁移。
Comments Website: https://video2sim2real.github.io/
PRPO: 通过令牌级动态优势重塑的感知强化策略优化
机构 * Amap CV Lab, Alibaba Group（阿里巴巴集团高德地图计算机视觉实验室） ； Peking University（北京大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出令牌级强化学习框架PRPO，通过鲁棒视觉依赖（RVD）指标识别关键感知令牌，并利用感知优势重塑（PAR）技术增强其学习信号，在7个多模态推理基准上平均提升23.3%（3B模型）和21.1%（7B模型）。
Struct-Searcher：代理式结构化思维推进多模态深度信息检索
机构 * CUHK（香港中文大学） ； LIGHTSPEED ； PKU（北京大学） ； Tongji University（同济大学） ； THU（清华大学） ； HKUST（香港科技大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出基于信念修正理论的结构化代理工作流Struct-Searcher，通过维护多模态结构图实现冲突感知的深度信息检索，在多个基准上平均相对准确率提升17.2%。
VISA：面向Interspeech 2026 ARC智能体赛道的视觉信息增强音频推理系统
专题命中 推理与问题求解 ：language model(abstract)
AI总结 提出VISA系统，通过多模态特征提取、模型投票推理和细粒度类别感知路由，增强大音频语言模型的音频推理能力，在ARC智能体赛道取得66.23%评分和77.40%准确率。
Comments Submitted to INTERSPEECH 2026
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