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。
Mobile-Aptus: 基于MLLM的手机使用代理中的置信度驱动的主动与鲁棒交互
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； GenAI, Meta（Meta的GenAI）
专题命中 多模态Agent ：MLLM(title,title_cn)；multimodal(abstract)；分类 cs.CL
AI总结 针对手机使用代理中的过度执行和过度请求问题，提出一种置信度驱动的主动与鲁棒交互框架，通过监督微调和置信度偏差校正实现最优性能。
Comments Accepted by TASLP
基于自适应多智能体框架的自动工作流执行
机构 * Sapienza University of Rome（罗马萨皮恩扎大学） ； Department of Engineering University of Sannio（萨尼奥大学工程系） ； Faculty of Jurisprudence Unitelma Sapienza University（法理学院萨皮恩扎大学）
专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.CL、cs.AI
AI总结 提出一种多模态多智能体框架，通过离线构建拓扑知识库和在线自适应检索增强生成与闭环协作验证，实现自动工作流执行。
Comments Copyright 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses. Accepted for publication at the 2026 IEEE International Conference on Evolving and Adaptive Intelligent Systems (EAIS 2026)
Agent探索性策略优化用于多模态Agent推理
机构 * NVIDIA ； KAIST（韩国科学技术院）
专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.CL
AI总结 针对多模态Agent推理中思考与工具使用的不对称性（Thinking-Acting Gap），提出AXPO算法，通过固定思考前缀并重采样工具调用及其延续，结合基于不确定性的前缀选择，显著提升工具使用率和模型性能。
Comments Project page: https://byungkwanlee.github.io/AXPO-page/
Mags-RL: 通过智能体强化学习为多模态大语言模型戴上放大镜以进行复杂场景推理
机构 * Arizona State University（亚利桑那州立大学） ； Clemson University（克莱姆森大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Halmstad University（哈姆斯塔德大学） ； Florida State University（佛罗里达州立大学） ； Rice University（里士满大学）
专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.CV
AI总结 提出Mags-RL框架，通过智能体强化学习让多模态大语言模型调用超分辨率代理进行高分辨率细粒度检查，实现两轮推理以提升复杂场景下的视觉推理能力。
CyberJurors：电商纠纷裁决的多智能体模拟任务
机构 * School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学）
专题命中 多模态Agent ：multimodal(abstract)；MLLM(abstract_cn)；分类 cs.AI
AI总结 针对电商纠纷裁决需要从冗余多轮多模态证据中提取关键线索并依据平台特定惯例决策的问题，提出多智能体框架CyberJurors，通过个体裁决链式思维和集体陪审共识裁决提升裁决质量，在包含6000真实案例的基准上超越现有方法。
Comments ICML 2026
Uni-LaViRA：面向统一具身导航的语言-视觉-机器人动作翻译
机构 * Nanjing University（南京大学） ； Beihang University（北京航空航天大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； BMW (Nanjing) Information Technology Co., Ltd.（宝马（南京）信息技术有限公司） ； University of Rochester（罗切斯特大学）
专题命中 多模态Agent ：multimodal(abstract)；MLLM(abstract_cn)；分类 cs.CV
AI总结 提出Uni-LaViRA统一智能体架构，通过语言-视觉-机器人动作翻译结构，结合待办列表记忆和二次机会回溯机制，在零训练下实现四类导航任务和四种真实机器人的零样本泛化，性能匹配或超越近期训练式导航基础模型。
Comments Project page: https://xetroubadour.github.io/Uni-LaViRA/
OralAgent: 融合推理、工具与知识的交互式牙科影像分析
机构 * Faculty of Dentistry, the University of Hongkong, Hong Kong SAR, China（香港大学牙科学院，中国香港特别行政区） ； Department of Electrical and Computer Engineering, University of Pittsburgh, Pittsburgh, PA, USA（匹兹堡大学电气与计算机工程系，美国宾夕法尼亚州匹兹堡） ； Shenzhen University, China（深圳大学，中国） ； Department of Craniomaxillofacial Surgery, Shanghai Ninth People’s Hospital, China（上海第九人民医院口腔颌面外科部，中国） ； Nanyang technological University, Singapore（南洋理工大学，新加坡） ； School of Biomedical Engineering, Southern Medical University, China（南方医科大学生物医学工程学院，中国） ； Singapore University of Technology and Design, Singapore（新加坡科技设计大学，新加坡） ； University of Auckland, new zealand（奥克兰大学，新西兰） ； Shanghai Artificial Intelligence Laboratory , China（上海人工智能实验室，中国）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CV、cs.CL
AI总结 提出首个牙科专用AI智能体OralAgent，通过集成22种视觉分析工具和368本经典牙科教科书，实现多模态推理、工具决策与知识检索的自动化框架，在多个基准上达到最优性能。
Comments 14 pages, 7 figures, 6 tables
VeriTrip: 面向非结构化网络语料的旅行规划智能体可验证基准
机构 * Institute of Information Engineering, CAS（中国科学院信息工程研究所） ； School of Cyber Security, UCAS（中国科学技术大学网络安全学院） ； Amap, Alibaba Group（阿里巴巴集团阿地图） ； NLPR & MAIS, Institute of Automation, CAS（中国科学院自动化研究所神经信息处理实验室及机器智能研究所） ； School of Artificial Intelligence, UCAS（中国科学技术大学人工智能学院）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.AI
AI总结 提出VeriTrip基准，通过多模态检索库和可验证知识库，评估智能体在非结构化网络语料中基于证据推理的旅行规划能力，揭示检索-推理权衡问题。
Comments 10 pages, 4 figures
GUI-CIDER：通过因果内化和密度感知示例重选进行GUI代理的中期训练
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Meituan（美团） ； Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CL
AI总结 提出GUI-CIDER中期训练方法，通过因果内化和密度感知示例重选显式内化GUI世界知识，提升代理对GUI操作的理解和任务成功率。
VLA-Hijack: 通过视觉本体感觉劫持实现针对视觉-语言-动作模型的可迁移补丁攻击
机构 * Fudan University（复旦大学） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CV
AI总结 提出VLA-Hijack框架，通过注意力引导的本体感觉抑制和多模态本体感觉注入攻击视觉自定位过程，实现跨架构黑盒迁移攻击。
MACReD：一种用于反应图解解析的多智能体协作推理框架
机构 * University of Science ； Technology of China \& iFLYTEK Co., Ltd. Hefei China ； Technology of China \& iFLYTEK Co., Ltd.
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.AI
AI总结 提出MACReD分层多智能体框架，通过协调分子感知、箭头理解、文本提取和反应重建等专用智能体，在统一VLM引导架构下实现化学图解解析，在RxnScribe基准上达到最优性能。
Comments Preprint. Code is available at https://github.com/TC9905/MACReD
CogPortrait: 通过分层智能体规划实现肖像动画中的细粒度眼部区域控制
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； University of New South Wales（新南威尔士大学）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CV
AI总结 提出CogPortrait两阶段框架，利用多模态大语言模型智能体从高层标签生成关键点，再通过DiT视频生成骨干合成动画，实现细粒度眼部控制，并引入EMH基准评估。
AgenticVBench: AI代理能否完成真实的后期制作任务？
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.MM
AI总结 本文提出AgenticVBench基准，包含100个来自真实后期制作流程的代理任务，评估多模态AI代理的复合能力，发现最佳代理栈性能仅略超30%，远低于人类专家。
Comments 22 pages, 6 figures. Benchmark website: https://agenticvbench.com
整流薛定谔桥匹配用于少步视觉导航
机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； College of Computer Science, Chongqing University（重庆大学计算机学院） ； Department of Computer Science, University of Liverpool（利物浦大学计算机科学系） ； Changchun GenY Technology Co., Ltd.（长春GenY科技有限公司）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.AI
AI总结 提出整流薛定谔桥匹配（RSBM）框架，利用速度场结构不变性和线性方差减少，在仅3步积分中实现高保真生成策略，满足具身AI低延迟需求。
Comments 18 pages, 7 figures, 10 tables. Code available at https://github.com/WuyangLuan/RSBM
EpiAgent: 一种以智能体为中心的古铭文修复系统
机构 * School of Computer Science and Engineering, Southeast University, China（东南大学计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（新一代人工智能技术及其跨学科应用关键实验室（东南大学），教育部，中国） ； Key Laboratory of Computer Network and Information Integration (Southeast University), Ministry of Education, China（计算机网络与信息集成关键实验室（东南大学），教育部，中国） ； Nanjing University Museum, Nanjing University, China（南京大学博物馆，南京大学，中国） ； The China Centre for Linguistic and Strategic Studies, Nanjing University, China（中国语言战略研究中心，南京大学，中国）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CV
AI总结 提出基于智能体的EpiAgent系统，通过分层规划与LLM协调多模态分析、历史经验和专用工具，实现灵活自适应的古铭文修复，在真实退化铭文上取得更优修复质量和泛化能力。
Comments Accepted by CVPR 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