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。
UniCAD：面向多模态多任务CAD的统一基准与通用模型
机构 * SenseTime Research and Tetras.AI（秒速科技研究院和Tetras.AI）
专题命中 多模态评测 ：MLLM(summary_cn,abstract)；multi-modal(title,abstract)；分类 cs.CV、cs.AI
AI总结 针对CAD领域缺乏统一多模态基准的问题，提出UniCAD基准和UniCAD-MLLM通用多模态大语言模型，在点云到CAD重建、文本/图像到CAD生成和CAD问答等任务上实现端到端统一处理，并在多个基准上取得最优性能。
T2AV-Compass：迈向文本到音频-视频生成的统一评估
机构 * NJU-LINK Team, Nanjing University（南京大学NJU-LINK团队） ； Kling Team, Kuaishou Technology（快手技术 Kling 团队） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
专题命中 多模态评测 ：MLLM(summary_cn,abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 提出T2AV-Compass基准，通过分类学驱动的500个复杂提示和双层次评估框架（客观信号指标+主观MLLM评判），系统评估文本到音频-视频生成模型，发现现有模型在跨模态对齐和指令遵循方面显著不足。
Comments 41 pages, 13 figures, 12 tables. Accepted at ICML 2026
M$^3$Eval: 通过认知基础视频任务的多模态记忆评估
机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Yuanpei College, Peking University（北京大学元培学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理学与认知科学学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
专题命中 多模态评测 ：multi-modal(title,abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 提出首个多模态模型记忆评估框架M$^3$Eval，通过认知心理学设计的视频任务系统评估模型在记忆保持、忠实性和鲁棒性上的表现，发现模型在并行视频流处理、干扰模式、时空记忆和符号记忆方面的显著缺陷。
Comments We present an evaluation designed for multi-modal memory in multi-modal models
M3imic: 学习用于多模态运动模仿的通用全身控制器
机构 * School of Automation, Southeast University（东南大学自动化学院） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； Department of Robotics, Mohamed Bin Zayed University of Artificial Intelligence（马尔代夫比兹亚德大学人工智能学院机器人系）
专题命中 多模态评测 ：multimodal(title)；multi-modal(abstract,abstract_cn)
AI总结 提出M3imic框架，通过模态特定编码器将异构运动参考模态（机器人关节角度、人体姿态轨迹、末端执行器位姿）映射到共享潜在空间，并利用大规模强化学习训练单一策略，实现无需模态特定重训练的sim-to-real迁移。
在值得时询问：面向实例目标导航的成本感知开放式交互
机构 * Adelaide University（阿德莱德大学） ； Responsible AI Research Centre, Australian Institute for Machine Learning（负责任人工智能研究中心，澳大利亚机器学习研究所） ； Institute for Infocomm Research (I2R), A*STAR（信息与通信研究院（I2R），A*STAR） ； iMotion ； CSIRO Data61 Project Website（CSIRO Data61项目网站）
专题命中 多模态评测 ：MLLM(summary_cn,abstract)；分类 cs.CV
AI总结 针对实例目标导航中语言歧义问题，提出一种成本敏感的不确定性减少方法，通过信息增益分析确定有效问题类型，并构建基准测试和加权成功率指标，实现零样本MLLM导航器仅在预期收益大于成本时查询。
DraDDP：多模态多方对话话语解析数据集
机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CL、cs.AI
AI总结 针对现有研究局限于文本或双方对话的问题，构建了基于美剧的首个公开英文多模态多方对话话语解析数据集DraDDP，并验证了多模态信息在捕捉对话结构和关系类型中的价值。
Journal ref Findings of the Association for Computational Linguistics (ACL 2026)
FindIt：面向通用多模态大语言模型的格式感知视觉检测基准
机构 * Tuebingen AI Center, University of Tuebingen（图宾根人工智能中心，图宾根大学） ； Woven by Toyota, Inc.（丰田公司） ； Toyota Motor Europe（丰田欧洲公司）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 提出首个全面评估通用多模态大语言模型在可提示定位能力上的基准，涵盖四种核心任务，并标准化输入输出格式，揭示模型对格式约束的敏感性。
工具总是有益的吗？学习自适应调用工具以实现双模式多模态大语言模型推理
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 ：multimodal(title,abstract)；分类 cs.CL
AI总结 提出AutoTool模型，通过强化学习框架自适应决定是否调用工具，结合双模式推理策略和模式特定奖励函数，在提升准确率的同时降低推理开销。
Comments Accepted to ICML 2026
GGT-100K：面向泛化真实世界图像恢复的生成式真实标签
机构 * VISUAL COMPUTING LAB POLYU（PolyU视觉计算实验室） ； The Hong Kong Polytechnic University（香港理工大学） ； OPPO Research Institute（OPPO研究院）
专题命中 多模态评测 ：multimodal(abstract)；multimodal foundation model(abstract)；分类 cs.CV
AI总结 提出利用生成式多模态基础模型从真实低质量图像合成高质量目标作为真实标签，构建包含10万对数据的GGT-100K数据集，显著提升多种图像恢复模型的真实世界泛化能力。
MedForge：基于伪造感知推理的可解释医学深度伪造检测
机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Hunan University（湖南大学） ； Xi’an Jiaotong University（西安交通大学） ； Guangdong Provincial People’s Hospital（广东省人民医院）
专题命中 多模态评测 ：MLLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出MedForge框架，通过构建大规模基准数据集MedForge-90K和局部-分析推理方法，实现可解释的医学图像伪造检测，在准确性和专家对齐解释上达到最优。
VAMPS: 视觉辅助数学问题求解基准
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 提出VAMPS基准，通过1,168道双语多选题评估多模态大模型在借助绘图工具进行数学推理时的表现，发现直接解析求解优于工具辅助视觉求解。
计划、观察、恢复：主动式程序辅助的基准与架构
机构 * Meta Reality Labs（Meta现实实验室） ； Meta Superintelligence Labs（Meta超智能实验室）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.CV、cs.AI
AI总结 提出EgoProactive数据集和Pro²Bench基准，并设计解耦规划器-交互架构，用于主动式程序辅助中的实时引导和异常恢复。
Comments 53 pages, 14 figures
SciDER: 以科学数据为中心的端到端研究者
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CL、cs.AI
AI总结 提出SciDER多智能体系统，通过数据驱动方法和动态多模态技能系统，自动化科学研究的全生命周期，并在六个基准测试中取得领先结果。
Comments 10 pages, 8 figures, 7 tables
Breaking Bad Molecules: MLLMs 是否准备好进行结构级分子解毒？
机构 * Department of Engineering Science, Macau University of Science and Technology, Macau, China（澳门科学技术大学工程科学系） ； School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院） ； Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） ； School of Pharmacy, Macau University of Science and Technology, Macau, China（澳门科学技术大学药学院） ； Faculty of Electrical Engineering and Computer Science, Ningbo University, Ningbo, China（宁波大学电气与计算机科学学院） ； State Key Laboratory of Biopharmaceutical Preparation and Delivery, Institute of Process Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院生物制药制备与递送国家重点实验室） ； School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（上海交通大学自动化与智能感知学院） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出 ToxiMol 基准任务，利用多模态大语言模型进行分子毒性修复，并构建数据集、提示流程和自动评估框架 ToxiEval，实验表明当前模型虽面临挑战但展现出毒性理解与结构编辑的潜力。
基于深度神经网络梯度损失的放射组学特征选择用于肺癌分期检测
机构 * Department of Software Engineering, Bahria University（巴尔ia大学软件工程系） ； Global College of Engineering and Technology（全球工程与技术学院） ； Software Engineering & Business Incubation Center, Bahria University（软件工程与企业孵化中心，巴尔ia大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 提出GL-RFE框架，利用深度神经网络梯度敏感性分析递归消除低贡献特征，从106个放射组学特征中选出前15个用于肺癌早晚期分类，准确率达90.22%。
Journal ref J. Vis. Exp. (230), e70181, (2026)
从符号到几何：在大语言模型中实现空间推理
机构 * University of Southern California（南加州大学） ； Emory University（埃默里大学） ； Novateur Research Solutions（Novateur研究解决方案）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 提出空间语言模型（SLM），通过将位置信息作为一等模态并学习空间表示，在推理过程中实现几何空间推理，显著优于基于符号推理的现有方法。
3D视觉食谱：数据、学习范式与应用
机构 * Brown University（布朗大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； The University of Sydney（悉尼大学） ； Stability AI
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出一种以数据为中心的3D视觉分类法，通过分析点云、网格、体素和3D高斯等几何表示及其获取流程，以及数据集设计、基准构建和监督机制，统一了表示、学习范式与下游任务（重建、生成、视频建模）之间的关系。
Comments Accepted to the CVPR 2026 OpenSUN3D Workshop. Official version available at CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026W/OpenSUN3D/html/Du_A_Cookbook_of_3D_Vision_Data_Learning_Paradigms_and_Application_CVPRW_2026_paper.html
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026
使用可解释机器学习基于临床生物标志物早期检测阿尔茨海默病：基于阿尔茨海默病神经影像学倡议（ADNI）数据集的多分类研究
机构 * TRDC, Tuwaiq Academy（TRDC，图瓦伊克学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 本研究使用XGBoost分类器，基于ADNI数据集的8个临床特征（MMSE、CDR Global、CDR-SB、MoCA、FAQ、年龄、性别、教育程度）进行三分类（正常认知、轻度认知障碍、阿尔茨海默病）检测，通过SMOTE处理类别不平衡，Optuna优化超参数，SHAP提供可解释性，在测试集上达到macro AUC 0.982、准确率0.943，并揭示了临床合理的特征重要性模式。
通过渗透过滤进行数字文化遗址成像
专题命中 多模态评测 ：multi-modal(abstract)
AI总结 本文提出利用渗透过滤模型解决文化遗址成像中因不同光谱区域数据获取导致的强度不均匀问题，通过多模态成像整合信息，提升文物修复的物理特性辨识能力。
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