AI 大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
CWCD：用于结构化医学报告生成的类别级对比解码
机构 * The Department of Computer Science and Engineering（计算机科学与工程系） ； University at Buffalo, The State University of New York, NY, USA（布法罗大学，纽约州立大学）
专题命中 跨模态检索 ：multi-modal(abstract)；分类 cs.AI
AI总结 本文提出CWCD框架，通过类别特定参数化和对比正常与遮蔽X光片生成结构化放射报告，提升临床效果和生成质量。
Comments Accepted to MIDL 2026 (Oral)
MAB-DQA: 通过多臂老虎机解决文档问答中的查询方面重要性
机构 * Nanjing University of Science and Technology（南京理工大学） ； Singapore Management University（新加坡国立大学） ； Nanjing Pami Intelligent Technology Co., Ltd.（南京帕米智能科技有限公司） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Nanjing Forestry University（南京林业大学）
专题命中 跨模态检索 ：multimodal(abstract)；分类 cs.CL
AI总结 本文提出MAB-DQA框架，通过多臂老虎机模型解决文档问答中查询方面的重要性问题，通过分解查询为方面感知的子查询并动态分配检索预算，提升文档理解性能。
Comments Accepted by ACL 2026. 20 pages, 9 figures, 6 tables
CausalEmbed: 在潜在空间中实现自动回归多向量生成用于视觉文档嵌入
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Alibaba Cloud Computing（阿里云计算） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
专题命中 跨模态检索 ：multimodal(abstract)；分类 cs.CL
AI总结 本文提出CausalEmbed方法，通过对比训练中的迭代边际损失生成紧凑且结构良好的多向量嵌入，实现高效的视觉文档检索，减少30-155倍的token数量同时保持高性能。
Comments Under review
Finch：跨电子表格中心企业工作流的金融与会计基准测试
专题命中 跨模态检索 ：multimodal(abstract)；分类 cs.AI
AI总结 Finch通过真实企业工作流评估AI代理，包含数据录入、结构化、格式化等任务，涵盖预算、交易等多领域，展示了AI在复杂企业工作流中的挑战。
Comments ACL 2026 Findings
Cornfigurator：任意到任意多模态模型服务的自动化规划
机构 * University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Cisco Research（思科研究）
专题命中 多模态生成 ：multimodal(title,abstract)；any-to-any(title,abstract)
AI总结 Cornfigurator是首个针对通用任意到任意模型推理服务的部署规划器，通过统计评估最大化服务吞吐量，比现有系统和专家调优方案提升1.12至6.32倍。
Comments Open-source at https://github.com/cornserve-ai/cornfigurator
M3D-Net：面向深度伪造检测的多模态3D面部特征重建网络
机构 * College of Mathematics and Informatics（数学与信息学院） ； South China Agricultural University（华南农业大学） ； Wushan Road, Tianhe District（天河南路） ； Guangzhou（广州） ； China（中国）
专题命中 多模态生成 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 本文提出M3D-Net，通过多模态特征融合和3D重建模块提升深度伪造检测的准确性和鲁棒性，实验表明其在多个数据集上表现优异。
HY-World 2.0：一个多模态世界模型用于重建、生成和模拟3D世界
机构 * Tencent（腾讯）
专题命中 多模态生成 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 HY-World 2.0通过多模态输入生成高保真3D场景，改进了先前版本，引入了多项创新以提升全景真实性、3D场景理解和规划能力，并升级了WorldStereo和WorldMirror模型，实现了3D世界交互探索。
Comments Project Page: https://3d-models.hunyuan.tencent.com/world/ ; Code: https://github.com/Tencent-Hunyuan/HY-World-2.0
多模态操控 via 多模态策略共识
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Columbia University（哥伦比亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
专题命中 多模态生成 ：multi-modal(title)；multimodal(abstract)；分类 cs.AI
AI总结 本文提出通过多模态策略共识实现多模态操控，采用扩散模型分解策略并利用路由网络动态组合模态贡献，提升机器人操控任务中多模态推理能力。
Comments 8 pages, 7 figures. Project website: https://policyconsensus.github.io
Tora3：基于轨迹的音频视频生成与物理一致性
机构 * Alibaba Cloud Computing（阿里巴巴云 computing） ； Fudan University（复旦大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.MM
AI总结 Tora3通过引入轨迹作为共享的运动先验，提升音频视频生成的物理一致性，采用轨迹对齐的运动表示和混合流匹配方案，改进运动真实性和运动-声音同步性。
Comments 12 pages, 5 tables, 5 figures
Bird-SR：双向奖励引导扩散用于现实世界图像超分辨率
机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, School of Information Science and Technology, University of Science and Technology of China（脑启发智能感知与认知MoE实验室，信息科学与技术学院，中国科学技术大学） ； iFlytek Research, iFlytek Co., Ltd., Hefei, China（科大讯飞研究院，科大讯飞股份有限公司，合肥，中国）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 Bird-SR通过双向奖励引导扩散框架，结合合成和真实图像数据，提升现实世界超分辨率的结构一致性与感知质量。
LeapAlign: 通过构建两步轨迹实现任意生成步骤的训练后流匹配模型对齐
机构 * The Australian National University（澳大利亚国立大学）
专题命中 多模态生成 ：image-text(abstract)；分类 cs.CV
AI总结 本文提出LeapAlign方法，通过缩短生成轨迹为两步，减少计算成本并实现早期生成步骤的梯度传播，提升模型更新效率与稳定性，优于现有方法。
Comments Accepted by CVPR 2026. Project page: https://rockeycoss.github.io/leapalign/
在何时不回答：评估多模态推理系统中的退避
机构 * ServiceNow Research（ServiceNow研究院）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.CL
AI总结 本文提出MM-AQA基准，通过视觉模态依赖性和证据充分性变换生成不可回答实例，评估三种前沿VLM和两种MAS架构，发现VLM在标准提示下 rarely 退避，MAS提升退避但引入准确率-退避权衡，序列设计表现优异，表明退避意识训练比提示或更多代理更重要。
Comments 10 pages and 4 figures (excluding appendix)
MM-tau-p$^2$: 人格自适应提示用于双控制设置中多模态代理的鲁棒性评估
机构 * Sprinklr AI
专题命中 多模态评测 ：multi-modal(title,abstract)；分类 cs.AI；multimodal(comments)
AI总结 本文提出MM-tau-p$^2$基准，通过12个新指标评估多模态代理在双控制环境中的鲁棒性，结合用户输入解决查询，并展示即使使用前沿LLM，多模态鲁棒性等指标仍需考虑。
Comments A benchmark for evaluating multimodal both voice and text LLM agents in dualcontrol settings. We introduce persona adaptive prompting and 12 new metrics to assess robustness safety efficiency and recovery in customer support scenarios
当慢并非真：多模态推理中真理性的反比例定律
机构 * Institute for AI（人工智能研究院） ； Peking University（北京大学） ； Hong Kong University of Science and Technology（香港科技大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 研究探讨了多模态推理中慢思考模式的反比例定律，发现慢思考模型在面对不完整或误导性视觉输入时更易生成虚假细节，揭示了推理模型在处理模糊输入时的脆弱性。
Comments Accepted at ACL 2026
CAVERS：从自然喀斯特洞穴获取多模态SLAM数据并采用地面真实运动捕捉
机构 * Polytechnic of Turin Interdepartmental Centre for Service Robotics (PIC4SeR)（都灵理工大学服务机器人跨部门研究中心（PIC4SeR）） ； Systems Engineering and Automation Department, Universidad de Málaga（马德里大学系统工程与自动化系）
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 本文提出CAVERS数据集，通过地面真实运动捕捉系统提供高精度姿态和速度数据，验证了多模态传感器在复杂洞穴环境中的SLAM算法性能。
Comments 8 pages, 5 figures, preprint version
一种多模态数据收集框架用于对话驱动的辅助机器人以澄清歧义：一项巫师-of-奥兹试点研究
机构 * Aerospace and Mechanical Engineering Department（航空航天与机械工程系） ； Computer Science Department（计算机科学系） ； Saint Louis University（圣路易斯大学）
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 本文提出一种多模态数据收集框架，通过对话交互协议和双房间巫师-of-奥兹设置，模拟机器人自主性并捕捉自然用户行为，用于澄清对话驱动控制中的歧义问题。
Comments Accepted to IEEE RAS/EMBS 11th International Conference on Biomedical Robotics and Biomechatronics (BioRob) 2026
嗨！- 一个用于力导向、跨视角人工 manipulation 的多模态数据集
机构 * ETH Zurich（苏黎世联邦理工学院） ； Technical University of Munich（慕尼黑技术大学） ； University of Freiburg（弗赖堡大学） ； Microsoft（微软） ； University of Bonn（波恩大学）
专题命中 多模态评测 ：multimodal(title)
AI总结 本文提出一个结合视觉、动作和触觉的多模态数据集，包含381个人工物体在38种环境中的3048个序列，用于评估方法在人机视角间的迁移能力及探索交互力等未被研究的模态。
Time-RA：面向时间序列推理的异常诊断方法：基于LLM反馈
机构 * University of Oxford（牛津大学） ； Nanjing University（南京大学） ； MSRA（微软研究院） ； SJTU（上海交通大学） ； Abel AI ； Outsampler ； University of Strasbourg（斯特拉斯堡大学） ； Squirrel Ai Learning（Squirrel AI学习）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI、cs.MM
AI总结 本文提出Time-RA，通过引入RATs40K多模态数据集，改进时间序列异常检测的生成式推理方法，提升诊断准确性和解释性，实现可解释的多模态时间序列分析。
Comments ACL 2026 Findings. 27 pages, 11 figures, 15 tables. Code and dataset are publicly available
你只评判一次：单次前向传递中的多响应奖励建模
机构 * Paul G. Allen School of Computer Science & Engineering（保罗·G·艾伦计算机科学与工程学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一种判别性多模态奖励模型，通过单次前向传递对所有候选响应进行评分。该方法通过拼接多个响应并应用交叉熵实现直接比较推理和高效N-way偏好学习，同时提升速度和计算效率。
Comments 9 pages, 4 figures
DR$^{3}$-Eval: 向真实和可重复的深度研究评估迈进
机构 * Nanjing University（南京大学） ； M-A-P ； Jiutian Research（九天研究） ； National University of Singapore（新加坡国立大学） ； Nanjing University of Science and Technology（南京理工大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出DR$^{3}$-Eval基准，用于评估多模态多文件报告生成的深度研究代理，通过真实用户材料和静态研究沙盒语料结合，引入多维评估框架，验证其与人类判断的一致性。
PolyBench：基于实时预测市场数据的LLM预测与交易能力基准测试
机构 * College of Electrical Engineering, Sichuan University（四川大学电气工程学院） ； School of Economics, Sichuan University（四川大学经济学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出PolyBench基准测试，通过实时预测市场数据评估七种先进LLM的预测与交易能力，发现仅两种模型在严格市场状态下实现正收益，揭示了语言流畅性与真实概率推理之间的差距。
Comments 16 pages, 4 figures, 6 tables
面向主动老年护理的边缘-云协作架构：实时风险评估与三级应急响应
机构 * School of Computer Science University of Nottingham Ningbo China Ningbo, China（计算机科学学院 南阳大学宁波分校 中国 宁波） ； School of Mathematical Sciences University of Nottingham Ningbo China Ningbo, China（数学科学学院 南阳大学宁波分校 中国 宁波）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.AI
AI总结 本文提出边缘-云协作架构，通过实时多模态传感器融合、四维风险评估模型和三级应急响应系统，解决现有云平台在延迟、隐私和可扩展性方面的不足，实验表明其在活动识别和异常检测上表现优异。
寻找并解决：用于日常场景中视觉线索驱动推理的MLLMs基准测试
机构 * Dalian University of Technology（大连理工大学） ； WeChat, Tencent Inc.（微信，腾讯公司） ； Tsinghua University（清华大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出DailyClue基准测试，旨在评估MLLMs在日常场景中通过视觉线索进行推理的能力，强调真实日常活动和挑战性查询设计，推动模型深入理解与推理。
Comments Accepted by ACL Findings 2026. Project page: https://xiaominli1020.github.io/DailyClue/
几何解析：一种统一形式语言用于平面和立体几何的图表解析
机构 * MAIS, Institute of Automation of Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Future Living Lab of Alibaba（阿里巴巴未来生活实验室）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出一种统一形式语言，结合平面和立体几何，构建了GDP-29K数据集，通过监督微调与可验证奖励的强化学习提升几何解析性能，提升MLLMs的几何推理能力。
Comments Accepted to ACL2026
PortraitCraft：面向肖像构图理解与生成的基准测试
机构 * MT Lab, Meitu Inc（美图实验室，美图公司） ； Airbrush Studio, Meitu Inc（喷雾工作室，美图公司） ； Meitu Design, Meitu Inc（美图设计，美图公司）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出PortraitCraft基准测试，通过结构化多级监督数据集，实现对肖像构图的理解与生成评估，包含评分预测、细粒度属性推理和生成任务，推动细粒度肖像理解与可控生成研究。
增强基于大语言模型的系统以实现端到端电路分析问题求解
机构 * School of Electrical ； Computer Engineering, Georgia Institute of Technology, Atlanta, GA 30332 USA
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出一种改进的端到端电路问题求解框架，通过整合YOLO检测器和OpenCV处理提升电路识别精度，并引入ngspice验证循环以减少推理错误，实验结果表明准确率显著提升。
Comments Liangliang Chen and Weiyu Sun contributed equally to this work
CaptionQA: 你的描述是否和它所代表的图像一样有用？
机构 * Advanced Micro Devices, Inc.（先进微器件公司） ； Stanford University（斯坦福大学） ； Independent Researcher（独立研究者） ； Northwestern University（西北大学） ； UT Austin（德克萨斯大学奥斯汀分校）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 CaptionQA通过评估生成描述在下游任务中的实用性，揭示了图像与描述之间的效用差距，涵盖四个领域，包含25个顶级和69个子类别，提供33,027个密集标注的多选问题。
一种基于最优传输的在线增量学习中潜在空间培育方法
机构 * Rutgers University（罗格斯大学） ； Tuft University（塔夫茨大学） ； New York University（纽约大学） ； HUST（哈尔滨理工大学） ； Monash University（墨尔本大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出基于最优传输理论的混合模型学习框架（MMOT），通过增量更新聚类中心来应对多模态数据流，提升复杂数据流的表征精度和未见样本的类相似性估计。
Comments CVPR2026
合成反思与资源开采
专题命中 多模态评测 ：multimodal(abstract)
AI总结 本文探讨如何利用AI模型分析景观，提出结合统计方法、人类判断和生成式AI的卫星图像解读框架，引入新的景观描述指标以提升多模态模型对采矿分布的评估能力。
Comments 20 pages, 5 figures, HCII 2026, prepublication
RaTA-Tool: 基于检索的多模态大语言模型工具选择
机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） ； University of Pisa（比萨大学）
专题命中 多模态Agent ：multimodal(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV、cs.CL、cs.AI
AI总结 本文提出RaTA-Tool框架，利用多模态大语言模型将多模态查询转化为结构化任务描述，并通过语义丰富的工具描述检索合适工具，支持开放世界场景下的工具扩展。
Comments ICPR 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