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。
Claw-Eval: 向可信的自主代理评估迈进
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； The University of Hong Kong（香港大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 Claw-Eval通过300人验证任务覆盖9类任务，采用轨迹感知评分体系，揭示自主代理在安全、鲁棒性及一致性上的多维特性，验证传统评估方法的局限性。
通过过程可验证的思维数据合成与调度实现时间序列推理
机构 * Sun Yat-sen University（中山大学） ； Xiaomi Corporation（小米公司） ； National University of Singapore（新加坡国立大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出VeriTime框架，通过数据合成、调度和强化学习训练，提升LLM在时间序列推理任务中的性能，使小模型达到或超越大模型效果。
向离散自回归语言模型传授度量距离
机构 * Yonsei University（延世大学） ； LG AI Research（LG AI研究院） ； Seoul National University（首尔国立大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出DIST2Loss，通过奖励加权分布替代one-hot目标，提升离散自回归模型的数据效率和跨领域表现，应用于视觉 grounding、机器人操控、奖励建模和向量量化图像生成。
LiCamPose：结合多视角LiDAR和RGB相机实现鲁棒的单帧3D人体姿态估计
机构 * Department of Automation, BNRist, Tsinghua University, China（自动化系、北京人工智能研究院、清华大学、中国）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出LiCamPose，结合多视角RGB和稀疏点云数据，通过单帧实现鲁棒的3D人体姿态估计，并设计了合成数据生成器和无监督域适应策略，验证了方法在多种数据集上的泛化能力。
Comments Accepted by WACV2025
迈向视觉逼真模拟：评估机器人操作的基准测试
机构 * Nanjing University（南京大学） ； Nankai University（南开大学） ； ShanghaiTech University（上海科技大学）
专题命中 多模态评测 ：multi-modal(abstract)
AI总结 本文提出VISER基准，通过高保真3D资产和物理渲染材料，评估机器人操作的视觉逼真度，提升仿真与现实性能的关联性。
MER 2026：从判别性情感识别到生成性情感理解
专题命中 多模态评测 ：multimodal(abstract)
AI总结 MER2026延续系列挑战趋势，包含四个赛道，聚焦双人交互、细粒度识别、偏好预测和生理信号情感识别。
GazeMind：一种基于注视的LLM代理用于个性化认知负荷评估
专题命中 多模态评测 ：multimodal(abstract)
AI总结 本文提出GazeMind，一种基于注视的LLM代理框架，用于智能眼镜上的认知负荷评估。该框架通过编码注视数据为结构化表示，提供可解释的认知负荷预测，并通过新颖的任务引导推理方法实现跨场景泛化，同时利用用户特定特征和历史参考实现个性化适应。
跨模态导航与多智能体强化学习
机构 * Khoury College of Computer Sciences（计算机科学学院）
专题命中 多模态Agent ：cross-modal(title,abstract)；multi-modal(abstract)；分类 cs.AI
AI总结 本文提出CRONA框架，通过多智能体强化学习实现跨模态导航，利用辅助信念和集中式多模态批评者提升协作效率，实验表明多智能体方法在视觉-听觉导航中优于单智能体基线。
FoodCHA：多模态LLM代理用于细粒度食物分析
机构 * Department of Computer Science and Engineering（计算机科学与工程系）
专题命中 多模态Agent ：multi-modal(title)；multimodal(abstract)；分类 cs.AI
AI总结 本文提出FoodCHA，一种多模态代理框架，通过分层决策过程提升食物识别的细粒度属性区分能力，实验显示其在类别和子类识别精度上优于现有模型。
TriRelVLA：三元关系结构用于可迁移的具身操作
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CV
AI总结 TriRelVLA通过构建三元关系结构，解决视觉语言动作模型在未见场景和物体上的泛化问题，提升具身操作的迁移能力。
Track A*: 为主动目标跟踪的快速可见性感知轨迹规划
机构 * Autel Robotics（奥特 Robotics）
专题命中 多模态Agent ：multi-modal(abstract)
AI总结 本文提出Track A*，一种基于离线搜索的轨迹规划器，用于在离散的四维时空网格上实现可见性感知的目标跟踪。通过分层有向无环图搜索和三种工程优化，Track A*在保证实用性的同时提升了可扩展性，实验证明其在计算成本低的情况下具有稳健的可见性性能。
EAGLE：专家增强的注意力引导用于多模态大语言模型中的无调优工业异常检测
机构 * Ewha Womans University（峨山女子大学）
专题命中 多模态训练与对齐 ：MLLM(summary_cn,abstract)；multimodal(title,abstract)；分类 cs.CV
AI总结 EAGLE通过整合专家异常检测器与冻结的MLLM，提出无调优框架，提升多模态大语言模型在工业异常检测中的准确率，且在MVTec-AD和VisA数据集上达到94.4%和88.1%的异常鉴别准确率。
感知空间：面向高效准确3D场景理解的自我运动感知视频表示
机构 * Department of Computer Science（计算机科学系） ； University of Michigan（密歇根大学） ； University of Michigan Ann Arbor（密歇根大学安阿伯分校）
专题命中 多模态训练与对齐 ：MLLM(summary_cn,abstract)；multimodal(abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 本文提出Motion-MLLM框架，结合IMU数据与视觉特征，通过运动-视觉关键帧过滤模块和异构跨模态融合模块，提升3D场景理解与空间推理的效率和准确性。
Comments 22 pages, 10 figures
Band Together: 多模态协调的无目标对抗训练对抗基于逃避的推广攻击
机构 * Sichuan University（四川大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校）
专题命中 多模态训练与对齐 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.AI
AI总结 本文提出UAT-MC方法，通过多模态协调解决逃避攻击中未知目标项的问题，提升系统鲁棒性并保持推荐性能。
基于主体不变跨模态提示调优的自适应物理-面部表征融合用于基于视频的情感识别
机构 * Department of Biomedical Engineering（生物医学工程系） ； Anhui Province Key Laboratory of Measuring Theory and Precision Instrument（安徽省测量理论与精密仪器重点实验室） ； School of Computer Science and Information Engineering（计算机科学与信息工程学院）
专题命中 多模态训练与对齐 ：cross-modal(title,abstract)；multimodal(abstract)；分类 cs.CV
AI总结 本文提出一种主体不变的跨模态提示调优框架，通过将rPPG波形转换为噪声鲁棒的时间-频率表示，并引入解耦共享-特定适配器以提升跨主体泛化能力，实验证明在MAHNOB-HCI和DEAP基准上优于现有方法。
Comments The source code will be available at https://github.com/MSA-LMC/SCPT
MINER：挖掘多模态内部表示以实现高效检索
机构 * McGill University（麦吉尔大学） ； MIT - Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（MBZUAI - 摩洛哥 bin Zayed 大学人工智能学院） ； Mila - Quebec AI Institute（Mila - 加拿大魁北克人工智能研究所）
专题命中 多模态训练与对齐 ：multimodal(title,abstract)
AI总结 本文提出MINER，通过挖掘Transformer各层内部表示，融合多模态信号生成紧凑嵌入，提升检索性能，优于现有单向量检索器并在部分设置中缩小与晚交互基线的差距。
Comments Preprint
PRISM：动态文本属性图的迭代跨模态后验细化
机构 * College of Artificial Intelligence（人工智能学院）
专题命中 多模态训练与对齐 ：cross-modal(title,abstract)；multimodal(abstract)
AI总结 PRISM通过迭代跨模态后验细化方法，提升动态文本属性图的表示学习能力，有效捕捉节点语义与交互行为的动态依赖关系。
KORE：通过知识导向控制增强大型多模态模型的知识注入
机构 * University of Science ； State Key Laboratory of General Artificial Intelligence, BIGAI ； Xiamen University ； Northeast Forestry University ； Beijing Institute of Technology ； Ludwig Maximilian University of Munich ； The University of Sydney ； C-FAIR\&school of software, Shandong University ； State Key Lab. for Novel Software Technology, Nanjing University, P.R. China
专题命中 多模态训练与对齐 ：multimodal(title,abstract)；分类 cs.CL
AI总结 KORE通过知识导向的增强和约束，提升大型多模态模型的知识注入能力，同时保留旧知识。方法利用协方差矩阵和投影初始化，有效减少灾难性遗忘。
Comments ICML 2026, Project Page: https://kore-lmm.github.io/
Align3D-AD：跨模态特征对齐与双提示学习用于零样本3D异常检测
机构 * Smart Manufacturing Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）智能制造方向） ； The Hong Kong University of Science and Technology（香港科技大学） ； College of Mechanical and Vehicle Engineering, Hunan University（湖南大学机械与车辆工程学院）
专题命中 多模态训练与对齐 ：cross-modal(title,abstract)；分类 cs.CV
AI总结 本文提出Align3D-AD框架，通过跨模态特征对齐和双提示学习解决零样本3D异常检测中的领域差距问题，实验表明其在多个数据集上均优于现有方法。
基于段落对齐的策略优化用于多模态推理
机构 * Fudan University（复旦大学） ； Southeast University（东南大学） ； China Telecom Artificial Intelligence Technology (Beijing) Co., Ltd.（中国电信人工智能技术（北京）有限公司） ； Institute of Artificial Intelligence, China Telecom（中国电信人工智能研究院）
专题命中 多模态训练与对齐 ：multi-modal(title,abstract)；分类 cs.AI
AI总结 本文提出SAPO方法，通过将推理步骤而非token或完整序列作为策略更新的基本单元，提升多模态推理任务的准确性和稳定性。
STARE：分步时间对齐与红队引擎用于多模态毒性攻击
专题命中 多模态训练与对齐 ：multi-modal(title)；image-text(abstract)
AI总结 STARE通过分步时间对齐和红队引擎，提升多模态毒性攻击的成功率，揭示优化诱导的相位对齐现象，为安全机制提供理论基础。
Comments ICML 2026
融合还是混淆？多模态复杂性并不都是你需要的
机构 * Berlin Institute of Health, Charité - Universitätsmedizin Berlin（柏林健康研究所，柏林查理医院） ； Intelligent Medicine Institute, Fudan University（复旦大学智能医学研究院） ； Department of Mathematics and Computer Science, Freie Universität Berlin（柏林自由大学数学与计算机科学系）
专题命中 多模态训练与对齐 ：multimodal(title,abstract)
AI总结 本文通过大规模实验挑战多模态学习中复杂架构提升性能的假设，发现增加复杂性常导致混淆而非有效融合，强调需转向方法论严谨性。
隐藏、重建、突破：在大规模语言模型中利用重建-隐藏权衡
机构 * NC State University（北卡罗来纳州立大学） ； Zhejiang University（浙江大学）
专题命中 多模态训练与对齐 ：multimodal(abstract)；MLLM(abstract_cn)；分类 cs.AI
AI总结 本文探讨了在多模态大语言模型中利用重建与隐藏的权衡进行意图混淆攻击，提出了一种基于字符移除的变体构造方法，并引入关键词相关的干扰图像以提高攻击效果。
Comments 39 pages, including appendices
重新标记，而非替换：扩散大语言模型中的令牌到标记细化
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Zhongguancun Academy（中关村学院）
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CL
AI总结 本文提出Token-to-Mask（T2M）方法，通过重新标记可疑令牌而非覆盖来提升扩散大语言模型的准确性，在AIME 2025和CMATH上分别提升13.33和8.56个百分点。
点-SRA：用于3D表示学习的自表示对齐
机构 * School of Electronics and Information, Xi’an Polytechnic University（西安理工大学电子与信息学院） ； School of Software, Xi’an Jiaotong University（西安交通大学软件学院） ； School of Computer Science, Xi’an Polytechnic University（西安理工大学计算机科学学院）
专题命中 多模态训练与对齐 ：cross-modal(abstract)；分类 cs.CV
AI总结 Point-SRA通过自蒸馏和概率建模对齐表示，改进3D表示学习，通过不同掩码比例和MeanFlow Transformer实现互补信息提取，优于Point-MAE并在多个任务中取得优异性能。
Comments This is an AAAI 2026 accepted paper titled "Point-SRA: Self-Representation Alignment for 3D Representation Learning", spanning 13 pages in total. The submission includes 7 figures (fig1 to fig7) that visually support the technical analysis
Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 2026, Vol. 40, No. 13
AffectGPT-RL：揭示强化学习在开放词汇情绪识别中的作用
专题命中 多模态训练与对齐 ：multimodal(abstract)
AI总结 本文提出AffectGPT-RL框架，通过强化学习优化非可微目标，提升开放词汇情绪识别的性能，并在情绪识别和其他任务中取得显著成果。
VisMMOE：利用视觉专家亲和力实现高效的视觉语言MoE卸载
机构 * Shanghai Jiao Tong University（上海交通大学）
专题命中 多模态训练与对齐 ：multimodal(abstract)
AI总结 VisMMOE通过剪枝冗余视觉token提升视觉语言MoE模型的卸载效率，通过视觉专家亲和力机制优化专家访问集中度与稳定性，从而提升推理性能。
多模圆映射的Blaschke型模型
专题命中 其他多模态 ：multimodal(title,abstract)
AI总结 本文构造了多模圆映射的Blaschke型理性映射族，证明了满足自然动力学条件的多模圆映射与该族中的映射拓扑共轭，并证明该实现唯一性。
Comments 24 pages, 2 figures
Earth-o1：一种无网格的观测本征大气世界模型
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Department of Information Engineering（信息工程系） ； School of Electronic Information and Electrical Engineering（电子信息与电气工程学院） ； Department of Atmospheric and Oceanic Sciences（大气与海洋科学系） ； School of Information Science and Technology（信息科学与技术学院） ； State Key Laboratory of Earth System Numerical Modeling and Application, Institute of Atmospheric Physics（地球系统数值模拟与应用国家重点实验室，大气物理研究所） ； College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） ； Department of Earth and Environmental Engineering（地球与环境工程系） ； Chinese Academy of Meteorological Sciences（中国气象科学研究院） ； School of Atmospheric Sciences（大气科学学院）
专题命中 其他多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 Earth-o1通过直接学习无网格观测数据中的连续三维物理演变，实现对大气状态的自主时空推进，无需传统数值求解器，其预测精度可与现有物理框架相媲美。
超水平集回归：通过体积最小化实现条件分位数
机构 * Sierra team, Inria Paris, France（Inria巴黎研究所）
专题命中 其他多模态 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出超水平集回归，通过直接优化几何边界，解决多变量回归中构造满足条件覆盖的最小体积预测区域的挑战，替代传统密度估计方法。
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