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。
FraudBench: 一个多模态基准用于检测AI生成的欺诈性退款证据
机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； Alibaba-NTU Global e-Sustainability CorpLab (ANGEL)（阿里巴巴-NTU全球可持续性科技实验室） ； Alibaba Group（阿里巴巴集团）
专题命中 多模态评测 ：multimodal(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出FraudBench，一个用于检测AI生成欺诈性退款证据的多模态基准。通过真实用户评价证据构建，结合图像编辑模型生成伪造证据，并评估不同模型在不同生成器下的性能。
Urban-ImageNet: 一个大规模多模态数据集和用于城市空间感知的评估框架
机构 * University of Auckland（奥克兰大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Stanford University（斯坦福大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
专题命中 多模态评测 ：multi-modal(title,abstract)；cross-modal(abstract)；image-text(abstract)；分类 cs.CV
AI总结 本文提出Urban-ImageNet，一个用于评估城市空间感知的多模态数据集和基准，包含2019-2025年间中国24个城市61个地点的200万张社交媒体图像及文本。通过HUSIC框架定义10类城市理论基础分类，支持城市场景分类、跨模态检索和实例分割三个任务。
将多模态大语言模型引入红外-可见图像融合质量评估
机构 * Northwestern University（西北大学） ； Northeastern University（东北大学） ； University of Washington（华盛顿大学） ； Hong Kong Baptist University（香港 Baptist大学） ； Beijing Normal - Hong Kong Baptist University（北京师范大学-香港 Baptist大学）
专题命中 多模态评测 ：multimodal(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出FuScore，利用多模态大语言模型生成连续质量评分，以更精确区分质量相近的融合图像，并结合多维子维度一致性和三重目标函数提升评估性能。
探索多模态聊天机器人作为治疗艺术活动的促进者
专题命中 多模态评测 ：multimodal(title,abstract)；MLLM(abstract,abstract_cn)
AI总结 本文提出一种基于多模态大语言模型的聊天机器人，通过实时分析视觉创作并促进反思对话，探讨其在艺术治疗中的应用潜力及未来发展方向。
PolyMATH：一个具有挑战性的多模态数学推理基准
机构 * Arizona State University（亚利桑那州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 多模态评测 ：multi-modal(title,abstract)；MLLM(abstract)；分类 cs.CL、cs.AI
AI总结 PolyMATH基准通过5000张高质量图像评估多模态大语言模型的推理能力，揭示其在空间关系和抽象推理上的不足，指出模型无法真正理解视觉信息，存在逻辑错误风险。
Comments Accepted in Neural Information Processing Systems (NeurIPS 2025) Workshop: Foundations of Reasoning in Language Models
GLEAM：一种多模态成像数据集和HAMM用于青光眼分类
机构 * Department of Ophthalmology, Shenyang Fourth People’s Hospital（眼科医院，沈阳第四人民医院）
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GLEAM数据集，包含三种多模态图像，用于青光眼分类，并提出HAMM方法整合跨模态信息以提高诊断准确性。
PPU-Bench: 用于视觉语言模型个性化部分遗忘的现实世界基准
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Pengcheng Laboratory（鹏城实验室） ； The Hong Kong Polytechnic University（香港理工大学） ； Sichuan University（四川大学） ； Zhejiang Normal University（浙江师范大学）
专题命中 多模态评测 ：MLLM(abstract,abstract_cn)；multimodal(abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出PPU-Bench，一个无需微调的现实世界基准，用于评估视觉语言模型中个性化部分遗忘的效果，通过24K多模态和单模态样本测试遗忘与保留的平衡及跨模态一致性。
基于草图的访问控制：一种多模态接口，用于将用户偏好转化为意图对齐的策略
专题命中 多模态评测 ：multimodal(title,abstract)；MLLM(abstract_cn)
AI总结 本文提出SBAC系统，结合草图和多模态大语言模型，帮助用户逐步完善访问策略，发现潜在问题并验证策略行为。
Comments 27 pages including appendix; 9 Figures
HOME-KGQA：一个多模态知识图谱问答基准数据集用于家庭日常活动
机构 * National Institute of Advanced Industrial Science（国家工业科学与技术研究院）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CL、cs.AI、cs.MM
AI总结 本文提出HOME-KGQA基准数据集，用于多模态知识图谱问答，包含多跳自然语言问题和图数据库查询语言，挑战多级时空推理和多模态 grounding。实验表明基于LLM的KGQA方法在该数据集上表现不佳，凸显实际部署中KGQA系统的挑战。
Comments 12 pages, 4 figures, 7 tables, accepted at LREC2026
迈向定制化的多模态角色扮演
机构 * Peking University（北京大学） ； Alibaba Group（阿里巴巴集团） ； Zhejiang University（浙江大学）
专题命中 多模态评测 ：multimodal(title,abstract)；cross-modal(abstract)
AI总结 本文提出定制化多模态角色扮演任务，通过统一模型和两阶段训练框架实现角色个性化，实验表明方法在角色扮演任务中优于现有方法。
Comments Code available at https://github.com/Tangc03/UniCharacter Project page available at https://tangc03.github.io/UniCharacter.github.io/
PromptDx: 为多模态上下文阿尔茨海默病诊断的可微提示微调
机构 * Stevens Neuroimaging and Informatics Institute, Keck School of Medicine, University of Southern California（斯蒂文斯神经影像与信息学研究所，凯克医学院，南加州大学） ； Ming Hsieh Department of Electrical and Computer Engineering, Viterbi School of Engineering, University of Southern California（明希德电气与计算机工程系，维特比工程学院，南加州大学） ； Alfred E. Mann Department of Biomedical Engineering, Viterbi School of Engineering, University of Southern California（阿尔弗雷德·E·曼生物医学工程系，维特比工程学院，南加州大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 PromptDx通过可微提示微调机制，结合预训练的TabPFN实现多模态上下文诊断，提升数据效率和临床适用性。
LENS：通过对齐多模态传感与语言模型实现LLM赋能的叙事合成用于心理健康
机构 * Dartmouth College（达特茅斯学院） ； University of Virginia（弗吉尼亚大学） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CL、cs.AI
AI总结 本文提出LENS框架，通过将多模态传感数据与语言模型对齐，生成临床相关的心理健康叙述。该方法构建大规模数据集并训练补丁级编码器，提升对长时序传感器数据的处理能力，实验显示其在自然语言处理指标和症状严重性准确性上优于基线模型。
Comments Camera-ready version. Additional experiments
提示到保护：多模态大语言模型在建筑危险识别中的比较研究
机构 * Department of Construction Management, Colorado State University（科罗拉多州立大学建设管理系） ； Department of Civil, Construction, and Environmental Engineering, North Carolina State University（北卡罗来纳州立大学土木、建设与环境工程系）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文比较了五种先进多模态大语言模型在建筑危险识别中的表现，发现提示策略显著影响性能，CoT提示效果最佳，GPT-4.5和GPT-o3表现突出，强调了提示设计在提升建筑安全应用准确性中的关键作用。
个人视觉上下文学习在大型多模态模型中
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文提出个人视觉上下文学习（Personal VCL）以解决个性化查询，通过Personal-VCL-Bench评估，发现现有模型在利用视觉证据和聚合多视觉观察方面存在显著不足，提出Agentic Context Bank方法提升性能。
Comments Project website: https://vision.cs.utexas.edu/projects/PersonalVCL/
AgentRx: 一种针对多模态临床预测任务的LLM代理基准研究
机构 * New York University Abu Dhabi（纽约大学阿布扎克分校）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文研究了LLM代理在多模态临床预测任务中的表现，发现单代理框架在处理多模态数据和校准方面优于多代理系统，强调了改进多代理协作的重要性。
Comments Accepted at the AHLI Conference on Health, Inference, and Learning 2026
EmoS：一种高保真多模态基准，用于细粒度流式情感理解
机构 * NLP（自然语言处理） ； CT Lab, Department of Computer and Information Science, University of Macau（计算机与信息科学学院，澳门大学CT实验室） ； School of Computer Science, Central China Normal University（Central China Normal University计算机科学学院）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CL
AI总结 本文提出EmoS基准，通过严格过滤静态片段与动态流式独白子集结合，解决现有数据集在生态效度和噪声方面的不足，提升多模态大语言模型在情感识别和共情模型训练中的性能。
Comments acl - 2026 main accepted
UniShield：基于知识图谱的多模态推理统一面部攻击检测
机构 * Shijiazhuang Tiedao University（石家庄铁道大学） ； Shanghai Jiao Tong University（上海交通大学） ； Ningbo Institute of Digital Twin（宁波数字孪生研究所） ； Great Bay University（大贝大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 UniShield通过构建面部攻击知识图谱，结合图谱一致推理优化，提升面部攻击检测的准确性和推理可靠性。
多模态大语言模型在大规模推荐系统中的通用框架
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 本文提出一个通用框架，利用多模态大语言模型提升多媒体内容理解，通过三部分架构实现内容解析、特征提取和系统集成，实验证明在推荐系统中提升了AUC和在线指标。
Comments Accepted by SIGIR 2026 short
全自动光学密度标准化用于髓鞘量化：7T体外MRI的跨模态验证
专题命中 多模态评测 ：cross-modal(title,abstract)
AI总结 本文提出全自动管道用于髓鞘量化的光学密度标准化，通过体外7T MRI与组织学的跨模态验证，提高了髓鞘病理性评估的准确性与一致性。
Comments 10 Pages, accepted at MICCAI 2026
百万辅导动作（MTM）：一个开放的多模态数据集用于辅导科学
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 本文介绍MTM数据集，旨在通过大规模、可重用的多模态交互数据推动辅导科学。MTM v1包含4654份数学辅导记录，为后续更广泛的数据集奠定基础，支持研究教学过程、改进辅导实践及开发基于真实教育交互的AI系统。
SayNext-Bench：为什么LLMs在下一句预测中挣扎？
机构 * University of Oulu（奥卢大学） ； College of William and Mary（威廉与玛丽学院） ； Tongji University（同济大学） ； Peking University（北京大学）
专题命中 多模态评测 ：multimodal(abstract)；multi-modal(abstract)；MLLM(abstract)；分类 cs.AI
AI总结 研究探讨LLM在人类对话中的下一句预测能力，指出人类可通过多模态线索预测，而LLM表现不足。提出SayNext-Bench基准，结合多模态数据集和评估框架，开发SayNext-Chat模型，证明其在多层面优于现有模型。
衡量重要性：在医疗保健中基准测试生成、多模态和代理AI
机构 * Centific AI Research（Centific人工智能研究）
专题命中 多模态评测 ：multimodal(title)；分类 cs.AI
AI总结 本文探讨了在医疗保健中评估生成、多模态和代理AI的基准测试方法，强调了现有基准测试在可靠性、安全性和临床相关性方面的不足，提出需要系统性的评估框架。
Flame3D: 无需3D特定训练的3D场景零样本组合推理
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 多模态评测 ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 Flame3D通过可组合的空间工具和训练自由框架，实现3D场景的零样本组合推理，支持动态空间合成和外部数据整合，展示了在ScanQA和Compose3D上的竞争力。
Phoenix-VL 1.5 中等技术报告
机构 * Mistral AI
专题命中 多模态评测 ：multimodal(abstract,comments)；分类 cs.CV、cs.CL、cs.AI
AI总结 Phoenix-VL 1.5 是一个123B参数的多模态多语言基础模型，适应区域语言和新加坡环境，通过本地化数据集和对齐优化实现深度领域适应，同时在多项基准测试中表现优异。
Comments Release page: https://medium.com/htx-ai/introducing-phoenix-vl-1-5-medium-multimodal-intelligence-uniquely-singaporean-ef8214c8cfa1
为视觉语言模型解开 Gordian 结：图式结理作为一项难题基准
机构 * Department of Psychology（心理学系） ； New York University（纽约大学） ； Department of Computer Science（计算机科学系） ； University of Southern California（南加州大学）
专题命中 多模态评测 ：cross-modal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 本文提出 KnotBench 基准，通过 858,318 张图像与 Regina 签名验证，评估 VLMs 在结图识别、预测和跨模态接地任务中的能力，发现模型在结操作模拟上存在显著不足。
Comments 41 pages, 18 figures
利用大视觉-语言模型从遥感图像中推导建成环境
机构 * Department of Urban and Regional Planning, University of Florida（佛罗里达大学城市与区域规划系）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 本文研究了大语言模型在智慧城市中的应用，通过多尺度遥感图像输入多模态语言模型，评估其对建成环境推理的影响，并比较了InternVL和Qwen等先进模型在生成建成环境建议中的准确性和可靠性。
Comments Published in the International Conference on Industrialized Construction 2026
BabelDOC: 通过中间表示实现更好的布局保持PDF翻译
机构 * School of Computer Engineering and Science, Shanghai University, Shanghai, China（1 上海大学计算机工程与科学学院，上海，中国） ； Funstory.ai Limited, Hong Kong SAR, China（2 Funstory.ai有限公司，香港特别行政区，中国） ； Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, China（3 上海交通大学计算机科学与工程系，上海，中国）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.CL
AI总结 BabelDOC通过中间表示框架实现布局保持的PDF翻译，解决语言处理与布局保持的矛盾，提升翻译精度和文档一致性。
Comments ACL 2026 System Demonstration paper. 2 figures
无参与的感知：LMMs中因果发现缺陷的剖析
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Pengcheng Laboratory（鹏城实验室） ； National University of Singapore（新加坡国立大学） ； Peking University（北京大学） ； Harvard University（哈佛大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.CL
AI总结 本文探讨了大型多模态模型在因果发现中的缺陷，提出ProCauEval评估协议和ADPO框架，通过扰动分析揭示模型在视觉和文本模态间的依赖关系，提升视觉推理能力。
Comments 17 pages, 5 figures
AdaRubric：面向可靠LLM代理评估和奖励学习的任务自适应评分标准
机构 * The University of Sydney（悉尼大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CL、cs.AI
AI总结 AdaRubric通过自适应生成任务特定评分标准，结合置信度加权评分和密集奖励信号，提升LLM代理评估的准确性与可靠性，实验表明其在多个基准测试中表现优异。
Comments KnowFM @ ACL 2026
基于上下文和像素的大型语言模型用于视频质量评估
机构 * City University of Hong Kong（香港城市大学） ； Google Inc.（谷歌公司）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.MM
AI总结 本文提出CP-LLM，通过双视觉编码器和语言解码器同时生成视频质量评分和可解释描述，提升对像素失真敏感度，实验显示其在视频质量评估基准上表现优异。
Comments Accepted to ICIP 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