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。
FeynmanBench：多模态大语言模型在图解物理推理上的基准测试
机构 * Alibaba Group（阿里巴巴集团） ； Skylenage
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.AI
AI总结 提出FeynmanBench基准，包含2000多个费曼图任务，评估多模态大模型在拓扑结构、守恒约束和视觉-代数映射等全局结构推理上的能力，发现模型在局部识别上表现良好但在拓扑重建和代数推导上严重不足。
Comments 9 pages, 5 figures
迈向自动发现：逆向材料设计中生成模型、多模态学习与闭环工作流综述
机构 * Institute of Condensed Matter and Nanosciences, Université Catholique de Louvain（凝聚态与纳米科学研究所，比利时列日-努瓦尔桑大学） ； WEL Research Institute（WEL研究机构）
专题命中 多模态生成 ：multimodal(title,abstract)
AI总结 本文综述了逆向材料设计中生成晶体结构建模、多模态学习和闭环设计管道的最新进展，重点讨论了可行性约束与物理先验的施加方式、多模态融合策略以及多种逆向设计策略（如条件生成与潜在优化、贝叶斯优化、强化学习和主动学习），并指出了常见失败模式及基于分阶段报告的评估实践。
基于合规评分的Best-of-N护栏编排用于支付争议防御中的多模态文档生成
机构 * eBay Inc.（eBay公司）
专题命中 多模态生成 ：multimodal(title,comments)；分类 cs.CL、cs.AI
AI总结 提出一种结合多候选生成与合规评分早退机制的护栏编排层，通过并行生成、加权评分和最佳输出选择，在支付争议防御场景中实现高合规率与低延迟。
Comments 8 pages, 7 figures, 4 tables. Preprint. Applied systems paper on compliance-scored guardrail orchestration for multimodal LLM document generation. Contains aggregate operational readouts; not a randomized A/B test
面向多模态生成式推荐中意图增强语义ID的深度兴趣挖掘
机构 * Amazon（亚马逊）
专题命中 多模态生成 ：multimodal(title)；分类 cs.AI
AI总结 提出DeepInterestGR框架，通过视觉线索和意图描述符丰富量化前的物品表示，并结合相关性门控语义奖励，提升基于语义ID的生成式推荐性能。
AnyMo: 基于掩码建模的任意模态条件运动生成
机构 * Key Laboratory of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS, China（中国科学院智能信息处理重点实验室（中国科学院计算技术研究所，中国）） ； University of Chinese Academy of Sciences, China（中国科学院大学）
专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI
AI总结 提出AnyMo框架，结合残差FSQ运动分词器和可扩展掩码建模Transformer，利用大规模多模态对齐数据集OmniHuMo实现任意模态组合下的高质量人体运动生成。
DREAM-S: 基于可搜索草稿与目标感知精炼的推测解码用于多模态生成
机构 * New York University（纽约大学） ； Cerebras Systems Inc.（Cerebras Systems公司） ； University of Pennsylvania（宾夕法尼亚大学）
专题命中 多模态生成 ：multimodal(title)
AI总结 提出DREAM-S框架，通过神经架构搜索和目标感知超网训练自动优化草稿模型架构与交互策略，结合注意力熵引导的自适应中间特征蒸馏，实现视觉语言模型的高效推测解码，加速比达3.85倍。
GAP3D: 将VLM潜在表示与补丁级嵌入进行生成式对齐以实现3D生成
机构 * Polytimi Anna Gkotsi ； Andrii Zadaianchuk ； Mohammad Mahdi Derakhshani
专题命中 多模态生成 ：multimodal(abstract)；image-text(abstract)；分类 cs.CV
AI总结 提出GAP3D，一种基于扩散的模块化方法，将VLM生成的潜在表示直接对齐到预训练图像编码器的完整补丁级特征空间，使冻结的下游生成模型能够利用VLM作为提示编码器，同时保持空间结构化的条件信号，在3D资产生成中无需大规模3D数据训练，并展现出多模态提示的零样本能力。
Avatar Forcing：用于自然对话的实时交互式头部化身生成
机构 * KAIST（韩国科学技术院） ； NTU Singapore（新加坡国立大学） ； DeepAuto.ai
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.AI、cs.MM
AI总结 提出Avatar Forcing框架，通过扩散强制实现实时交互式头部化身生成，利用直接偏好优化进行无标签学习，在低延迟（约500ms）下生成富有表现力的反应动作。
Comments CVPR 2026. Project page: https://taekyungki.github.io/AvatarForcing/
TRON：面向视觉推理强化学习的目标化规则可验证在线环境
机构 * University of Georgia（佐治亚大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 提出TRON在线环境框架，通过可控生成-验证程序产生无限训练实例，支持视觉推理强化学习，在多个多模态基准上提升性能。
Comments 27 pages, 8 figures
从噪声到控制：参数化扩散策略
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 提出参数化扩散策略（PDP），通过学习行为流形上的低维连续参数条件化扩散策略，将扩散从随机多样性机制转化为精确可优化的行为引导工具，实现策略间的平滑插值和新约束下的高效适应。
Pinterest Canvas: Pinterest 的大规模图像生成系统
机构 * Pinterest, Inc.（Pinterest公司）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出 Pinterest Canvas，一个基于扩散模型的大规模图像生成系统，通过基础模型微调为特定任务（如背景增强和宽高比外扩）生成专用模型，并在线上实验中分别获得18.0%和12.5%的参与度提升。
Comments Accepted by KDD 2026 Applied Data Science Track
ChatUMM: 面向对话式交错生成的鲁棒上下文追踪
机构 * Tsinghua University（清华大学） ； Tencent Hunyuan Project lead（腾讯文心一言项目负责人）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
AI总结 提出ChatUMM，一种通过交错多轮训练策略和系统化对话数据合成流水线实现鲁棒上下文追踪的对话式统一多模态模型，在视觉理解和指令引导编辑基准上达到开源模型最优性能。
Comments ChatUMM Project
基于视觉线索检测手语翻译中的幻觉：是依据视觉信息还是猜测？
机构 * German Research Center for Artificial Intelligence (DFKI GmbH)（德国人工智能研究中心（DFKI GmbH）） ； Saarland Informatics Campus（萨尔兰州信息学校园） ； Barcelona Supercomputing Center (BSC-CNS)（巴塞罗那超级计算中心（BSC-CNS））
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CL
AI总结 针对手语翻译中模型依赖语言先验而非视觉输入导致幻觉的问题，提出一种基于特征敏感性和反事实信号的令牌级可靠性度量，用于量化视觉信息利用程度，并在两个基准上验证其预测幻觉率、跨数据集泛化及与文本信号结合提升风险评估的效果。
Comments Published at ICLR2026 Code available at \url{https://github.com/yhamidullah/hallucination-slt}
扑翼飞行器仿真平台
专题命中 多模态生成 ：multi-modal(abstract)
AI总结 针对扑翼飞行器仿真与现实差距大的问题，提出FWAV-Sim高保真仿真平台，集成复合气动模型、湍流生成和真实传感器模拟，提升自主系统开发效果。
世界模型：架构、方法论、推理范式与应用的全面综述
机构 * School of Computer and Cyber Sciences, Augusta University（奥古斯塔大学计算机与网络科学学院） ； School of Computing, University of Georgia（佐治亚大学计算机学院） ； Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系） ； Department of Radiology, Massachusetts General Hospital, Harvard Medical School（麻省总医院放射科，哈佛医学院） ； Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） ； Department of Graduate Psychology, James Madison University（詹姆斯麦迪逊大学研究生心理学系） ； Computer Science and Engineering, Lehigh University（莱斯大学计算机科学与工程系） ； School of Biomedical Engineering, The University of Sydney（悉尼大学生物医学工程学院） ； Tandon School of Engineering, New York University（纽约大学泰坦工程学院） ； Department of Radiation Oncology, City of Hope National Medical Center（城市希望国家医学中心放射肿瘤科） ； Department of Mayo Clinic Comprehensive Cancer Center, Mayo Clinics（梅奥诊所综合癌症中心，梅奥诊所） ； Savannah River Ecology Laboratory (SREL), University of Georgia（萨凡纳河生态实验室（SREL），佐治亚大学）
专题命中 多模态生成 ：multimodal(abstract)
AI总结 本文提出一个多轴分类法，从架构、方法论、推理策略和应用领域四个维度系统综述世界模型，涵盖从早期认知科学基础到PlaNet、Dreamer系列、MuZero、Sora等里程碑系统，并指出未来方向。
基于图扩散的全身逆运动学
机构 * Large Model Algorithm Lab, Huawei（华为大模型算法实验室）
专题命中 多模态生成 ：multi-modal(abstract)
AI总结 提出GraphDiff-IK，一种结构感知的图扩散逆运动学框架，通过将机器人表示为运动学图并引入分层消息传递和躯干感知条件，实现了多分支机器人的准确稳定IK求解。
LAP：面向自动驾驶的快速潜在扩散规划器
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 多模态生成 ：multi-modal(abstract)
AI总结 提出LAP框架，在VAE学习的潜在空间中进行规划，通过单步去噪实现高质量规划，在nuPlan基准上达到学习型规划方法的最优闭环性能，推理速度提升高达10倍。
自模仿扩散策略用于高效鲁棒的视觉导航
机构 * Uni-Ubi Technology Co., Ltd.（Uni-Ubi技术有限公司） ； College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
专题命中 多模态生成 ：multi-modal(abstract)
AI总结 提出自模仿扩散策略（SIDP），通过奖励引导的自模仿机制和课程学习范式，减少对大量采样和后过滤的依赖，实现高效鲁棒的视觉导航。
Comments Preprint
StemBind: 当多模态大语言模型在抽象视觉推理中迷失于规则与实例之间
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 多模态评测 ：MLLM(summary_cn,abstract)；multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 提出 StemBind 诊断基准，通过共享主干的三对齐问题（感知、规则、完整）定位 MLLM 在抽象视觉推理中的失败环节，发现规则到实例的绑定是主要瓶颈。
Comments Project page: https://hexixiang.github.io/StemBind
通过感知扰动和奖励建模减轻多模态大语言模型作为评判者中的感知判断偏差
机构 * University of California, Berkeley（加州大学伯克利分校） ； KAIST（韩国科学技术院）
专题命中 多模态评测 ：multimodal(title,abstract)；MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 本文通过构建感知扰动数据集和结合GRPO奖励与批排序目标的统一训练框架，解决了多模态大语言模型作为评判者时因视觉证据与文本线索冲突而产生的感知判断偏差问题，显著提升了感知忠实度和与人类评价的一致性。
Comments ICML 2026
结构化视觉证据分解用于阻塞性睡眠呼吸暂停低通气综合征的证据驱动多模态筛查
机构 * School of Electronic and Electrical Engineering, Shanghai University of Engineering Science（上海工程技术大学电子与电气工程学院） ； Tencent Youtu Lab（腾讯云视频实验室） ； ENT Institute and Department of Otorhinolaryngology, Eye & ENT Hospital of Fudan University（复旦大学耳鼻喉科医院耳鼻喉科研究所） ； National University of Singapore（新加坡国立大学）
专题命中 多模态评测 ：multimodal(title,abstract)；multimodal foundation model(abstract)；分类 cs.CV、cs.AI
AI总结 提出EviOSAHS框架，通过将面部图像分解为七个解剖查询并生成结构化证据卡，结合临床信息进行高灵敏度OSAHS筛查。
视觉丰富文档类型分类的多模态方法：一项比较分析
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 针对视觉丰富文档类型分类中多模态建模策略难以系统比较的问题，本文在统一实验框架下对基于Transformer和LLM的四种代表性模型进行受控对比，发现专用多模态Transformer优于LLM方法，且图像信息贡献最大。
多模态大语言模型空间推理中空间词汇偏差的机制诊断
机构 * Kyoto University（京都大学） ； NII LLMC（日本国立信息与通信技术研究所语言模型中心） ； RIKEN AIP（日本理化学研究所先进理工研究所） ； Case Western Reserve University（凯斯西储大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Osaka（大阪大学） ； University of Tokyo（东京大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.CL
AI总结 本文发现多模态大语言模型存在空间词汇偏差，即添加空间关系词会吸引模型选择该选项，并通过机制可解释性工具揭示偏差主要源于语言侧而非视觉侧，最后提出轻量级LLM-only DPO更新可有效缓解偏差。
沙盒化编码智能体是竞争性的全模态任务求解器
机构 * University of Maryland（马里兰大学） ； MBZUAI
专题命中 多模态评测 ：omni-modal(title)；multimodal(abstract)；分类 cs.CV、cs.CL
AI总结 本文提出沙盒化编码智能体，仅通过文本+图像访问和工具使用，即可在全模态任务中匹配甚至超越原生全模态模型，并通过技能注入和训练配方Code-X进一步提升性能。
Comments Paper under review
EuraGovExam：来自现实世界公务员考试的多语言多模态基准
机构 * School of Computer Science / Data Intelligence Lab（计算机科学学院/数据智能实验室）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 提出一个包含8000多道真实公务员考试题目的多语言多模态基准EuraGovExam，要求模型直接从图像中进行布局感知的跨语言推理，当前最先进的视觉语言模型准确率仅达86%。
原型性偏差揭示多模态评估指标中的盲点
机构 * University of Technology Nuremberg（图恩大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文通过构建受控诊断基准PROTOBIAS，发现并验证了多模态评估指标中存在原型性偏差，即倾向于选择视觉或社会原型性高但语义错误的图像，并提出了轻量级对比训练评估器PROTOSCORE作为缓解基线。
多模态3D智能的最新进展：综合调查与评估
机构 * College of Electronics and Information Engineering, Sichuan University（四川大学电子信息工程学院） ； School of Computer Science, University of Adelaide（阿德莱德大学计算机科学学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）
专题命中 多模态评测 ：multi-modal(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文系统综述了多模态3D智能方法，提出基于模态和任务的新分类法，并比较了基准数据集上的结果，最后讨论了未来研究方向。
脑图谱引导的生成式反事实注意力用于基于多模态连接组的可解释认知衰退诊断
机构 * Department of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术系） ； School of Intelligence Science and Engineering, College of Artificial Intelligence, Harbin Institute of Technology（哈尔滨工业大学智能科学与工程学院） ； School of Biomedical Engineering, National-Regional Key Technology Engineering Laboratory for Medical Ultrasound, Guangdong Key Laboratory for Biomedical, Measurements and Ultrasound Imaging, Shenzhen University Medical School, Shenzhen University（深圳大学医学院生物医学工程学院、医学超声关键技术工程实验室、广东省生物医学测量与超声成像重点实验室）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 提出一种脑图谱知识引导的生成式反事实注意力网络（GCAN），通过将诊断建模为源到目标的反事实生成问题，利用多模态连接组实现可解释的认知衰退诊断。
基于基础模型跨模态蒸馏的单通道组织分割
机构 * Department of Engineering Technology（工程技术系） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； Department of Mechanical Engineering（机械工程系）
专题命中 多模态评测 ：cross-modal(title,abstract)；分类 cs.CV
AI总结 提出跨模态知识蒸馏框架，将多通道输入的基础模型教师知识迁移到仅使用核通道的轻量级学生网络，实现单通道组织分割性能大幅提升。
Comments 6 pages, 3 figures
MMDG-Bench：多模态领域泛化基准
机构 * University of Manchester（曼彻斯特大学） ； Jiyue AI（极越AI） ； Samsung AI Centre Cambridge（三星AI中心剑桥） ； University of Surrey（萨里大学）
专题命中 多模态评测 ：multimodal(title)；multi-modal(abstract)；分类 cs.CV
AI总结 提出MMDG-Bench基准，通过D2M和M2D两种框架统一多模态学习与领域泛化，在动作识别和活体检测等任务上验证了结构化组合优于现有方法，并给出关键设计指南。
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