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。
MM-JudgeBias：一个评估MLLM-as-a-Judge中组合偏见的基准
机构 * Seoul National University（首尔国立大学） ； NAVER Cloud AI（NAVER云AI） ； KAIST AI（韩国科学技术院人工智能实验室）
专题命中 多模态评测 ：MLLM(title,title_cn)；multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 本文提出MM-JudgeBias基准，通过引入控制扰动和两个互补指标，评估MLLM-as-a-Judge中的组合偏见，揭示了九种偏见类型，并发现现有模型存在模态忽视和评估倾向性问题。
Comments ACL 2026 Main
多任务强化学习用于增强多模态大语言模型作为裁判
机构 * Meta AI ； Hong Kong University of Science and Technology（香港科技大学） ； Emory University（埃默里大学）
专题命中 多模态评测 ：multimodal(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CL
AI总结 本文提出MT-RL-Judge框架，通过多任务强化学习优化多模态大语言模型作为裁判，提升判断一致性和与人类偏好的相关性，并在分布外任务中展现鲁棒泛化能力。
Comments ACL 2026 Industry Track
DUALVISION：用于鲁棒视觉推理的RGB-红外多模态大语言模型
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Amazon（亚马逊） ； Northeastern University（东北大学）
专题命中 多模态评测 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 本文提出DUALVISION，通过局部化交叉注意力融合IR-RGB信息，提升多模态大语言模型在视觉退化条件下的性能，并引入DV-204K和DV-500数据集进行评估。
Comments Accepted at CVPR Findings 2026
PuzzleWorld: 一个用于谜题 hunt 中多模态、开放式推理的基准
机构 * MIT Media Lab and MIT EECS（MIT媒体实验室和MIT电子工程与计算机科学系）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 PuzzleWorld 是一个包含667个谜题 hunt 风格问题的基准，用于评估逐步、开放式和创造性多模态推理。每个谜题都标注了最终答案、详细推理轨迹和认知技能标签，揭示了当前模型在推理中的局限性。
基于LLM的多模态推理用于视觉语义算术
专题命中 多模态评测 ：multi-modal(title)；cross-modal(abstract)；分类 cs.AI
AI总结 本文提出两种新型任务和IRPD数据集，通过SAri-RFT方法提升大视觉语言模型的跨模态关系推理能力，实现视觉语义算术的突破。
SMART-Ship：一个综合的同步多模对齐遥感目标数据集和基准，用于靠泊船舶分析
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
专题命中 多模态评测 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 本文提出SMART-Ship数据集，包含多模遥感图像，用于靠泊船舶分析，通过精细标注支持多模遥感任务，并评估了代表性方法。
PhotoFramer：多模态图像构图指令
机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） ； Multimedia Laboratory, The Chinese University of Hong Kong（香港中文大学多媒体实验室） ； Adobe NextCam ； Adobe Research ； Shanghai AI Laboratory（上海人工智能实验室） ； CPII under InnoHK（InnoHK下的CPII） ； Shenzhen University of Advanced Technology（深圳先进技术大学）
专题命中 多模态评测 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 PhotoFramer通过多模态框架为用户提供图像构图指导，通过自然语言描述改进方法并生成示例图像，结合文本与图像生成模型提升日常用户构图能力。
Comments Accepted by CVPR 2026
DeepFWI：基于多模态代码-警告语义的 bug 敏感警告识别
专题命中 多模态评测 ：multi-modal(title,abstract)
AI总结 本文提出 DeepFWI，通过多模态语义学习识别细粒度的 bug 敏感警告，采用 LSTM 模型捕捉代码与警告的关联，实验表明其在 F1-score 上优于基线方法。
Comments Accepted by TSE
自主骨骼标志点定位以实现智能C臂控制
机构 * University of Vermont（佛蒙特大学） ； Cleveland Clinic（克利夫兰诊所）
专题命中 多模态评测 ：MLLM(abstract,abstract_cn)；multimodal(abstract)；分类 cs.CV
AI总结 本文研究了利用多模态大语言模型实现C臂控制中骨骼标志点的自主定位，通过实验验证了其在准确性和推理能力上的优势，为智能C臂控制提供了新方法。
Comments Accepted at IJCARS: IPCAI 2026. Int J CARS (2026)
Lingua-SafetyBench: 一个多语言视觉-语言模型安全评估基准
机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Computer Science, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算机科学系） ； School of Engineering Science, University of the Chinese Academy of Sciences（中国科学院工程科学学院） ； NExT++ Research Centre, National University of Singapore（新加坡国立大学NExT++研究中心）
专题命中 多模态评测 ：multimodal(abstract)；cross-modal(abstract)；image-text(abstract)；分类 cs.CV
AI总结 本文提出Lingua-SafetyBench，通过10万多个多语言图像-文本对评估多模态模型的安全性，发现非高资源语言和非拉丁文在文本主导风险下安全性更差，强调需要专门的语言和模态对齐策略以提升安全性和公平性。
ViDoRe V3：对复杂现实场景中检索增强生成的综合评估
机构 * Illuin Technology（Illuin技术公司） ； NVIDIA ； CentraleSupélec, Paris-Saclay（巴黎萨克雷中央理工学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 ViDoRe V3是一个多模态检索增强生成基准，涵盖10个专业领域数据集，通过12000小时人工标注评估先进RAG管道，发现视觉检索优于文本检索，晚期交互模型和文本重排序显著提升性能，但模型在非文本元素、开放性查询和细粒度视觉定位上仍有不足。
ReefNet：一个大规模数据集和基准，用于细粒度珊瑚礁识别
机构 * King Abdullah University of Science and Technology (KAUST)（国王阿卜杜勒·阿齐兹科技大学） ； Massachusetts Institute of Technology (MIT)（麻省理工学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ReefNet，一个大规模珊瑚礁图像数据集，用于细粒度识别。通过专家验证和过滤，构建了高置信度基准子集，揭示了多模态模型在生物多样性监测中的挑战。
视觉-表格问答：面向表格图像推理的开放领域基准
机构 * École de Technologie Supérieure（埃克塞技术学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.CL
AI总结 本文提出Visual-TableQA，一个大规模开放领域多模态数据集，用于评估和提升视觉推理能力，包含2500个LaTeX渲染表格和6000对推理密集型问答对，通过多模型协作生成，验证了模型在外部基准上的鲁棒性。
Comments Accepted at the First Workshop on Foundations of Reasoning in Language Models, NeurIPS 2025. Available at: https://openreview.net/forum?id=fvJRsGwhPf
迷失在翻译中：大型视觉-语言模型（LVLM）的评判者是否能跨语言泛化？
机构 * York University（约克大学） ； University of Alberta（阿尔伯塔大学） ； Nanyang Technological University（南洋理工大学） ； Salesforce AI Research（Salesforce AI研究）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CL
AI总结 本文提出MM-JudgeBench，首个多语言多模态评判模型评估基准，包含60000+跨25种语言的配对偏好实例，揭示了LVLM评判器在跨语言性能上的显著差异，指出模型大小和架构并非多语言鲁棒性的良好预测因素。
Comments Accepted at ACL 2026 Findings
基于雷达的三维多目标跟踪在恶劣条件下的应用
机构 * KTH Royal Institute of Technology（皇家理工学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出RadarMOT框架，利用雷达点云提升远距离目标跟踪精度，在MAN-TruckScenes数据集上提升了AMOTA指标12.7%和10.3%。
Comments 7 pages, 5 figures
基于视觉基础模型的知识蒸馏的室内点云语义分割可行性
机构 * 1 Department of Earth Observation Science, Faculty of Geo-Information Science ； Earth Observation (ITC), University of Twente, 7522 NB Enschede, The Netherlands
专题命中 多模态评测 ：cross-modal(abstract)；分类 cs.CV
AI总结 本文探讨了通过知识蒸馏从视觉基础模型中学习的方法，用于室内点云语义分割，展示了在无人工标注的情况下，该方法在室内场景中的有效性。
像素还是位置？群组活动识别中模态的基准测试
机构 * King Abdullah University of Science and Technology（卡布斯国王科技大学） ； University of Liège（利耶大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出SoccerNet-GAR数据集，通过2022年世界杯64场比赛的广播视频和玩家跟踪数据，评估视频和跟踪模态在群组活动识别中的性能，提出基于图神经网络的跟踪模型，取得更高准确率且更高效。
基于手势的视觉学习模型用于声学聚沉交互的声学机器人群
机构 * Department of Computer Science University College London London United Kingdom（计算机科学系伦敦大学学院伦敦英国） ； Department of Artificial Intelligence University of Malaya Kuala Lumpur Malaysia（人工智能系马来大学吉隆坡马来西亚） ； University College London（伦敦大学学院） ； University of Malaya（马来大学）
专题命中 多模态评测 ：multimodal(abstract)
AI总结 本文提出基于手势的视觉学习框架，实现无接触人-机器人群交互，通过多模态AcoustoBot平台实现手势识别与触觉、音频、悬浮等模态映射，验证准确率提升至98%。
Comments This paper has been accepted for publication in the Proceedings of the 2026 4th International Conference on Robotics, Control and Vision Engineering (RCVE 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