多模态大模型

Seg-Agent: Test-Time Multimodal Reasoning for Training-Free Language-Guided Segmentation

Seg-Agent: 无训练语言引导分割的测试时多模态推理

Chao Hao, Jun Xu, Ji Du, Shuo Ye, Ziyue Qiao, Xiaodong Cun, Guangcong Wang, Xubin Zheng, Zitong Yu

机构 * School of Computing and Information Technology（计算与信息科技学院） ； Great Bay University（大湾大学） ； Hangzhou International Innovation Institute（杭州国际创新研究院） ； Beihang University（北航大学） ； Department of Computing（计算系） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 Seg-Agent提出无训练的多模态推理框架，通过生成-选择-细化三阶段循环实现视觉区域分割，无需参数更新即可达到与训练方法相当的性能。

Think Twice, Act Once: Verifier-Guided Action Selection For Embodied Agents

再思一次，行动一次：验证引导的动作选择用于具身智能体

Nishad Singhi, Christian Bialas, Snehal Jauhri, Vignesh Prasad, Georgia Chalvatzaki, Marcus Rohrbach, Anna Rohrbach

机构 * Technical University of Darmstadt（达姆斯塔特技术大学） 纠错

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

AI总结 本文提出验证引导的动作选择框架，通过显式验证步骤提升基于MLLM的具身智能体的鲁棒性，实验证明在复杂任务中性能提升达36%。

Comments CVPR 2026 (Findings)

RS-Claw: Progressive Active Tool Exploration via Hierarchical Skill Trees for Remote Sensing Agents

RS-Claw：通过分层技能树实现渐进式主动工具探索的遥感代理

Liangtian Liu, Zeyuan Wang, Ziyu Li, Kai Ouyang, Zichao Tang, Chengfu Liu, Haifeng Li, Hanwen Yu, Wentao Yang, Cheng Yang, Dongyang Hou

机构 * School of Geosciences and Info-Physics, Central South University（地质科学与信息物理学院，中南大学） ； School of Resources and Environment, University of Electronic Science and Technology of China（资源与环境学院，电子科技大学） ； School of Earth Sciences and Spatial Information Engineering, Hunan University of Science and Technology（地球科学与空间信息工程学院，湖南科技大学） ； Sanya Institute of Hunan University of Science and Technology（海南科技大学三亚研究院） 纠错

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

AI总结 本文提出RS-Claw，通过分层技能树实现主动探索，解决遥感代理工具选择中的被动机制问题，提升长周期推理中的工具命中率和上下文空间效率。

Discrete Diffusion for Complex and Congested Multi-Agent Path Finding with Sparse Social Attention

离散扩散用于复杂且拥堵的多智能体路径寻找与稀疏社交注意

Yuanzhe Wang, Tian Zhi, Zihang Wei, Hongguang Wang, Jiaming Guo, Yang Zhao, Zisheng Liu, Shiyu Quan, Xing Hu, Zidong Du, Yunji Chen

机构 * State Key Lab of Processors, Institute of Computing Technology, CAS（中国科学院计算技术研究所处理器重点实验室） ； School of Advanced Interdisciplinary Sciences, CAS（中国科学院高等交叉学科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Microelectronics, CAS（中国科学院微电子研究所） 纠错

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

AI总结 本文提出DiffLNS框架，结合离散去噪扩散概率模型与LNS2，通过稀疏社交注意学习多智能体轨迹先验，提升多智能体路径寻找的修复效率与成功率。

Comments 24 pages, 7 figures

From Pixels to BFS: High Maze Accuracy Does Not Imply Visual Planning

从像素到BFS：高迷宫精度并不意味着视觉规划

Alberto G. Rodriguez Salgado

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文通过MazeBench基准测试，揭示了多模态模型在视觉空间任务中依赖于文本网格转换和逐步路径枚举，而非真正的规划，高精度并不等同于人类空间理解。

Comments 15 pages, 10 figures. Code and mazes available at https://github.com/alrod97/LLMs_mazes

Flow Matching for Offline Reinforcement Learning with Discrete Actions

基于流匹配的离线强化学习中离散动作的处理

Fairoz Nower Khan, Nabuat Zaman Nahim, Ruiquan Huang, Haibo Yang, Peizhong Ju

机构 * Department of Computer Science, University of Kentucky（计算机科学系，肯塔基大学） ； Department of Computing and Information Sciences, Rochester Institute of Technology（计算与信息科学系，罗切斯特理工学院） 纠错

专题命中 多模态Agent ：multi-modal(abstract)

AI总结 本文提出一种适用于离散动作空间的流匹配框架，通过连续时间马尔可夫链和因子化条件路径，扩展了离线强化学习的应用范围，并在多种任务中展示了优越性能。