多模态大模型

DeltaRubric: Generative Multimodal Reward Modeling via Joint Planning and Verification

DeltaRubric: 通过联合规划和验证实现生成式多模态奖励建模

Rui Liu, Dian Yu, Zhenwen Liang, Yucheng Shi, Tong Zheng, Runpeng Dai, Haitao Mi, Pratap Tokekar, Leoweiliang

机构 * Tencent Hunyuan（腾讯文元） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； University of North Carolina, Chapel Hill（北卡罗来纳大学 Chapel Hill 分校） 纠错

专题命中 多模态Agent ：multimodal(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV、cs.CL

AI总结 DeltaRubric通过联合规划和验证流程，提升多模态奖励建模的可靠性与泛化能力，实验表明其在多模态任务中表现优异。

Skill-CMIB: Multimodal Agent Skill for Consistent Action via Conditional Multimodal Information Bottleneck

Skill-CMIB: 多模态代理技能用于通过条件多模态信息瓶颈实现一致行动

Zihan Huang, Junda Wu, Tong Yu, Qianqi Yan, Rohan Surana, Uttaran Bhattacharya, Lina Yao, Xin Eric Wang, Julian McAuley

机构 * UC San Diego（UC圣地亚哥大学） ； Adobe Research（Adobe研究院） ； UC Santa Barbara（UC圣芭芭拉大学） ； University of New South Wales（新南威尔士大学） 纠错

专题命中 多模态Agent ：multimodal(title,abstract)；cross-modal(abstract)

AI总结 本文提出Skill-CMIB方法，通过条件多模态信息瓶颈构建多模态技能，解决多模态环境下代理执行不一致的问题，提升执行稳定性。

Through the Lens of Character: Resolving Modality-Role Interference in Multimodal Role-Playing Agent

通过角色视角：解决多模态角色扮演代理中的模态-角色干扰

Yihong Tang, Kehai Chen, Xuefeng Bai, Min Zhang

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Shenzhen Loop Area Institute (SLAI)（深圳环城院） 纠错

专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.CV、cs.CL

AI总结 本文提出CAVI框架，通过角色视角减少多模态角色扮演代理中的模态-角色干扰，提升角色一致的多模态交互。

HyperEyes: Dual-Grained Efficiency-Aware Reinforcement Learning for Parallel Multimodal Search Agents

HyperEyes: 双粒度效率感知强化学习用于并行多模态搜索代理

Guankai Li, Jiabin Chen, Yi Xu, Xichen Zhang, Yuan Lu

机构 * Xiaohongshu Inc.（小红书公司） ； University of Cambridge（剑桥大学） 纠错

专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.AI

AI总结 HyperEyes通过双粒度效率感知强化学习，实现并行多模态搜索代理，提升搜索效率与准确性，其在六个基准测试中超越现有开源代理。

Comments Code & Data: https://github.com/DeepExperience/HyperEyes

TRACER: Verifiable Generative Provenance for Multimodal Tool-Using Agents

TRACER：多模态工具使用代理的可验证生成溯源

Bihui Yu, Caijun Jia, Jing Chi, Xiaohan Liu, Yining Wang, He Bai, Yuchen Liu, Jingxuan Wei, Junnan Zhu

机构 * Shenyang Institute of Computing Technology, Chinese Academy of Sciences（中国科学院沈阳计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（教育部计算电力网络与信息安全重点实验室，山东计算机科学中心（济南国家超算中心），齐鲁工业大学（山东省科学院）） 纠错

专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.CL

AI总结 TRACER通过生成带结构溯源记录的答案句子，解决多模态工具使用代理中缺乏的 claim-level 依赖结构问题，提升工具使用可验证性和优化性。

MOBIUS: A Multi-Modal Bipedal Robot that can Walk, Crawl, Climb, and Roll

MOBIUS：一种能够行走、爬行、攀爬和滚动的多模态双足机器人

Alexander Schperberg, Yusuke Tanaka, Stefano Di Cairano, Dennis Hong

机构 * Mitsubishi Electric Research Laboratories（三菱电机研究实验室） ； Robotic Systems Lab（机器人系统实验室） ； Robotics and Mechanisms Laboratory（机器人与机构实验室） ； Department of Mechanical and Aerospace Engineering, University of California, Los Angeles（加州大学洛杉矶分校机械与航空航天工程系） 纠错

专题命中 多模态Agent ：multi-modal(title)

AI总结 MOBIUS机器人通过四条肢体实现多种运动模式切换，结合强化学习与混合规划架构，实现动态攀爬与负载支撑，拓展了移动操作与抓取能力。

Comments Paper is accepted at the Robotics: Science and Systems conference, held in Sydney, Australia, July 13th-17th, 2026. Alexander Schperberg and Yusuke Tanaka are co-first authors. Both were at the Robotics and Mechanisms Laboratory (RoMeLa) at UCLA when the work started, and are now with Mitsubishi Electric Research Laboratories and ETH Zurich (RSL) respectively

Group Cognition Learning: Making Everything Better Through Governed Two-Stage Agents Collaboration

群体认知学习：通过受控的双阶段智能体协作使一切变得更好

Chunlei Meng, Pengbin Feng, Rong Fu, Hoi Leong Lee, Xiaojing Du, Zhaolu Kang, Zeyu Zhang, Weilin Zhou, Chun Ouyang, Zhongxue Gan

机构 * University of Macau（澳门大学） ； Universiti Malaysia Perlis（马来西亚霹雳大学） ； Peking University（北京大学） ； Xinjiang University（新疆大学） 纠错

专题命中 多模态Agent ：multimodal(abstract)；cross-modal(abstract)；分类 cs.MM

AI总结 本文提出群体认知学习框架，通过双阶段智能体协作解决多模态学习中的模态主导和虚假耦合问题，实验表明其在回归和分类任务中达到最优性能。

Comments This study has been Accepted by ICML 2026. The current version is a manuscript, please refer to the official version released at ICML 2026 for the final published version

V-ABS: Action-Observer Driven Beam Search for Dynamic Visual Reasoning

V-ABS：基于动作-观察者的动态视觉推理束搜索

Zhiwei Ning, Xuanang Gao, Jiaxi Cao, Gengming Zhang, Shengnan Ma, Wenwen Tong, Hanming Deng, Jie Yang, Wei Liu

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University（上海交通大学图像处理与模式识别研究所） ； SenseTime Research（商汤科技研究院） ； Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医学机器人研究所） 纠错

专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CV、cs.CL

AI总结 本文提出V-ABS框架，通过思考-行动-观察循环和熵适应加权算法，缓解IAO偏差，提升多模态模型在复杂视觉推理中的性能。

ReCAPA: Hierarchical Predictive Correction to Mitigate Cascading Failures

ReCAPA：分层预测性修正以缓解级联故障

Xiyin Zeng, Yuyu Sun, Haoyang Li, Shouqiang Liu, Hao Wang

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； South China Normal University（华南师范大学） 纠错

专题命中 多模态Agent ：multimodal(abstract)；分类 cs.AI

AI总结 ReCAPA通过分层预测修正和对齐架构，缓解多模态环境中多步骤任务执行中的级联故障问题，引入新的指标量化误差传播与恢复过程，实验表明其在多个代理基准测试中表现优异。

Cplus2ASP: Computing Action Language C+ in Answer Set Programming

Cplus2ASP：在答案集编程中计算动作语言C+

Joseph Babb, Joohyung Lee

机构 * School of Computing, Informatics, and Decision Systems Engineering（计算、信息与决策系统工程学院） 纠错

专题命中 多模态Agent ：multi-modal(abstract)；分类 cs.AI

AI总结 Cplus2ASP 2.0实现了动作语言C+的确定性片段，通过现代答案集求解技术提升效率，结合多种理论成果，利用工具链实现C+到ICLingo的翻译，并支持扩展多模态翻译。

Journal ref In Proceedings of the 12th International Conference on Logic Programming and Nonmonotonic Reasoning (LPNMR 2013), 122-134, 2013

Talk to Your Slides: High-Efficiency Slide Editing via Language-Driven Structured Data Manipulation

与幻灯片对话：通过语言驱动的结构化数据操作实现高效幻灯片编辑

Kyudan Jung, Hojun Cho, Jooyeol Yun, Soyoung Yang, Jaehyeok Jang, Jaegul Choo

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Chung-Ang University（Chung-Ang 大学） 纠错

专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CL

AI总结 本文提出Talk-to-Your-Slides，通过语言驱动的结构化数据操作实现高效幻灯片编辑，相较于基于图像的GUI方法，其在文本处理和格式任务中更快、更准确且成本更低。

Comments 30 pages, Accepted at ACL2026

AVA: Attentive VLM Agent for Mastering StarCraft II

AVA：面向星际2的注意力视觉语言代理

Weiyu Ma, Yuqian Fu, Zecheng Zhang, Bernard Ghanem, Guohao Li

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

专题命中 多模态Agent ：multimodal(abstract)；分类 cs.AI

AI总结 AVA提出一个支持多智能体强化学习和视觉语言模型的星际2基准，通过RGB图像、自然语言观察和结构化状态信息，比较训练和零样本方法在21种场景中的表现，揭示训练效率、性能上限、可解释性和部署成本的权衡。

Comments Accepted by ACL 2026

Towards Backdoor-Based Ownership Verification for Vision-Language-Action Models

面向视觉-语言-动作模型的后门基于所有权验证

Ming Sun, Rui Wang, Xingrui Yu, Lihua Jing, Hangyu Du, Zhenglin Wan, Xu Pan, Ivor Tsang

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； A*STAR Institute of High Performance Computing (A*STAR IHPC)（新加坡A*STAR高性能计算研究所） ； A*STAR Centre for Frontier AI Research (A*STAR CFAR)（新加坡A*STAR前沿人工智能研究中心） ； 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） ； College of Design and Engineering, Nanyang Technological University（南洋理工大学设计与工程学院） ； Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University（武汉大学测绘遥感信息工程国家重点实验室（LIESMARS）） 纠错

专题命中 多模态Agent ：multi-modal(abstract)；分类 cs.AI

AI总结 本文提出GuardVLA，首个针对视觉-语言-动作模型的后门基于所有权验证框架，通过在训练中嵌入隐蔽无害的后门水印，实现可靠的模型所有权验证并保持正常任务性能。

A Versatile AI Agent for Rare Disease Diagnosis and Risk Gene Prioritization

一种多功能AI代理用于罕见病诊断和风险基因优先级排序

Tianyu Liu, Wangjie Zheng, Rui Yang, Benny Kai Guo Loo, Hui Zhang, Jeffries Lauran, Jianlei Gu, Botao Yu, Weihao Xuan, Kexin Huang, Nan Liu, James Zou, Yonghui Jiang, Hua Xu, Hongyu Zhao

机构 * Interdepartmental Program in Computational Biology and Bioinformatics, Yale University（耶鲁大学计算生物学与生物信息学联合计划） ； Department of Biostatistics, Yale University（耶鲁大学生物统计学系） ； Broad Institute of MIT and Harvard（哈佛大学与麻省理工学院联合Broad研究所） ； Center for Biomedical Data Science, Duke-NUS Medical School（杜克-新加坡医学学校生物医学数据科学中心） ； Sport and Exercise Medicine Service, KK Women’s and Children’s Hospital Training Program, Duke-NUS Medical School（杜克-新加坡医学学校KK妇女儿童医院运动与医学服务培训项目） ； Training Program, Duke-NUS Medical School（杜克-新加坡医学学校培训项目） ； Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） ； Department of Complexity Science and Engineering, The University of Tokyo（东京大学复杂科学与工程系） ； Center for Advanced Intelligence Project, RIKEN（日本理化学研究所高级智能项目中心） ； NUS Artificial Intelligence Institute, National University of Singapore（新加坡国立大学人工智能研究所） ； Department of Biostatistics and Bioinformatics, Duke University（杜克大学生物统计学与生物信息学系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Department of Genetics, Yale University（耶鲁大学遗传学系） ； Wu Tsai Institute, Yale University（耶鲁大学吴天教授研究所） ； Department of Biomedical Informatics and Data Science, Yale University（耶鲁大学生物医学信息学与数据科学系） 纠错

专题命中 多模态Agent ：multi-modal(abstract)；分类 cs.AI

AI总结 本文提出Hygieia系统，通过整合多源数据提升罕见病诊断准确性与风险基因优先级排序能力，实验表明其在多个诊断基准上表现优异，有效减轻临床工作负担。

Comments 32 pages, 6 figures

Comparing Analytical Approaches for Bike Station Expansion: A Location-Allocation Study in Trondheim, Norway

比较自行车站点扩展的分析方法：挪威特罗姆瑟市的选址-分配研究

M. Tsaqif Wismadi, Oluwaleke Yusuf, Adil Rasheed, Yngve Karl Frøyen, Thomas Alexander Sick Nielsen

专题命中 多模态Agent ：multimodal(abstract)

AI总结 本文通过对比三种选址分配方法，探讨了不同模型对城市空间优先级的影响，发现方法选择对空间决策结果有根本性影响。

Comments 28 pages, 12 figures

Emergent Communication for Co-constructed Emotion Between Embodied Agents via Collective Predictive Coding

通过集体预测编码实现具身智能体间共构情感的涌现通信

Zehang Zhang, Nguyen Le Hoang, Tadahiro Taniguchi, Takato Horii

专题命中 多模态Agent ：multimodal(abstract)

AI总结 本文通过集体预测编码框架，利用Metropolis-Hastings命名游戏模型，研究具身智能体间共构情感的涌现通信过程，发现通信显著提升情感类别的对齐性和一致性，并验证了内脏异质性对共享情感意义的构成作用。

Comments 13 pages,

Agentic AI for Particle-Based Simulation: Automating SPH Workflows for Debris Flow Modeling

基于代理的AI用于粒子模拟：自动化SPH工作流用于碎屑流建模

Danrong Zhang, Ruijia Wang, Chenying Liu, Yumeng Zhao

专题命中 多模态Agent ：multimodal(abstract)

AI总结 本文提出首个用于无网格模拟的代理AI工作流，通过整合工具编排、多模态输入和人机交互，实现了碎片流建模的端到端模拟，展示了多模态输入在提升用户体验和减少失败模式方面的优势。

Comments 24 pages, 10 figures, 5 tables

Data-driven transport modelling without overfit

基于数据的运输建模无需过拟合

Peter Vanya, Katarína Šimková, Rastislav Farkaš

机构 * Sev.en Global Investments（Sev.en全球投资） ； Vrije Universiteit Brussels（布鲁塞尔自由大学） ； Université Libre de Bruxelles（布鲁塞尔自由大学） ； Ministry of Finance of the Slovak Republic（斯洛伐克共和国财政部） 纠错

专题命中 多模态Agent ：multimodal(abstract)

AI总结 本文提出一种基于交通流量计数的数据驱动建模方法，通过可解释的模型权重和受控路径提升模型复杂度与准确性，用于预测公共政策干预后的交通流。

Comments 6 pages, 6 figures