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。
基于多模态大语言模型的移动用户体验推理：任务、基准与方法
机构 * Ant Group（蚂蚁集团）
专题命中 多模态评测 ：multimodal(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出UXBench基准（2000个VQA样本）评估多模态大模型在UI推理上的能力，并设计UI-UX模型，通过奖励路由和不对称过渡奖励机制在UXBench上达到0.7963准确率，超越Claude-4.5-Sonnet。
Comments 10 pages, 6 figures, Accepted at CVPR 2026 Findings
用于配电缺陷检测的多模态智能体：基础模型评估
机构 * Quan Quan
专题命中 多模态评测 ：multi-modal(title,abstract)；multimodal(abstract)；multimodal foundation model(abstract)；分类 cs.AI
AI总结 提出多模态智能体框架，系统评估基础模型在感知、推理和工具使用三方面的能力，用于配电缺陷检测的闭环自动化。
双域等变生成对抗网络用于多模态CT-PET合成
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 提出双域等变生成对抗网络（DDE-GAN），联合空间与频域学习并融入旋转等变性，实现高保真多模态CT-PET图像合成。
Comments 4 pages, 3 figures, 1 table, 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI)
冻结多模态嵌入用于异步视频面试中的个性与认知能力评估
机构 * Technology Application and Human Resource Development, National Taiwan Normal University（台湾国立台中教育大学技术应用与人力资源发展系） ； Computer Science and Information Engineering, National Central University（台湾国立中央大学计算机科学与资讯工程系） ； Institute of Photonic System, National Yang Ming Chiao Tung University（台湾阳明交通大学光电系统研究所）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 针对异步视频面试中标注数据有限的高维多模态学习问题，提出使用冻结多模态编码器（CLIP、Whisper、RoBERTa等）结合低容量下游模型，在个性预测任务上实现MSE降低19.1%，并发现认知能力预测中存在数据集捷径。
Comments 9 pages, 1 figure, 5 tables
合成媒体的演变：跟踪AI生成多模态虚假信息的兴起、传播与可检测性
机构 * Centre for Research and Technology Hellas（希腊研究中心）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI、cs.MM
AI总结 本文提出CONVEX数据集，研究多模态虚假信息的传播与共识动态，发现AI生成内容虽传播迅速但依赖被动互动，且检测性能随生成模型发展而下降。
FENCE：一个金融和多模态越狱检测数据集
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CL、cs.AI
AI总结 针对金融领域多模态越狱检测资源匮乏的问题，提出FENCE数据集，包含韩英双语文本和图像，用于训练和评估检测器，实验表明基线检测器准确率达99%。
Comments lrec 2026 accepted paper
GeoDial：面向几何问题求解的多模态对话式辅导数据集，包含可视化辅导轮次
机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； Bocconi University（博科尼大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 提出GeoDial数据集，包含1300+几何师生对话，通过可扩展标注协议整合对话行为、视觉高亮和反馈，微调视觉语言模型发现其难以生成准确图解高亮。
利用大型多模态模型导航千兆像素病理图像
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Pathology, Massachusetts General Hospital（麻省总医院病理学系） ； Department of Pathology and Laboratory Medicine, Brown University（布朗大学病理学与实验室医学系）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 提出GIANT方法，无需训练即可让通用多模态模型自主导航WSI，通过迭代选择多放大倍数裁剪并聚合证据，在MultiPathQA基准上实现SOTA。
放射学报告语义建模与宿主反应实验室生物标志物用于肺癌多模态生存预测
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 提出多模态自适应风险评分(AMRS)，融合放射学报告语义和常规实验室生物标志物，在574例肺癌患者中实现C-index 0.849，优于TNM分期。
Comments 14 pages,7 figures
AssemLM: 用于机器人装配的空间推理多模态大语言模型
机构 * Fudan University（复旦大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究所（TeleAI），中国电信） ； Tianjin University（天津大学） ； Northwestern Polytechnical University（西北工业大学） ； Tsinghua University（清华大学） ； City University of Hong Kong（香港城市大学）
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 提出AssemLM，一种融合装配手册、点云和文本指令的多模态大语言模型，通过专用点云编码器提取几何与旋转特征，实现精确的6D装配位姿推理，并构建含90万样本的AssemBench基准，在真实机器人装配任务中取得最优性能。
Comments Project Page: https://assemlmhome.github.io/
MLUBench: 多模态大语言模型终身遗忘评估基准
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(abstract,abstract_cn)；multimodal(abstract)；分类 cs.AI
AI总结 提出MLUBench基准，评估多模态大模型在连续遗忘请求下的性能，发现现有方法存在累积退化，并揭示多模态对齐保持的挑战，提出LUMoE方法缓解退化。
Comments 36 pages, accepted to the ICML 2026
MinhwaNet: 韩国民俗画中忠实但不足的对象定位
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.MM
AI总结 提出MinhwaNet，通过部分级检测器生成对象证据图，发现韩国民俗画中符号列表不足以预测画作类型，而符号布局更重要，揭示了忠实但不足的解离现象。
DSAEval：在广泛真实世界数据科学问题上评估数据科学智能体
机构 * Department of Data Science and Artificial Intelligence, Hong Kong Polytechnic University（数据科学与人工智能系，香港理工大学） ； Department of Applied Mathematics, Hong Kong Polytechnic University（应用数学系，香港理工大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CL、cs.AI
AI总结 提出包含641个真实数据科学问题的基准DSAEval，涵盖多模态环境感知、多查询交互和多维评估，系统评估13个先进LLM智能体，发现Claude-Sonnet-4.5综合最优，多模态感知提升视觉任务性能2.04%-11.30%。
基于层级肿瘤结构比较的统一MRI脑图像翻译
机构 * South China University of Technology（华南理工大学） ； UTS Data Science Institute, University of Technology Sydney（悉尼科技大学UTS数据科学研究所）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.CV
AI总结 提出HTSCGAN模型，通过层级肿瘤结构比较和多种损失函数，提高多模态MRI脑图像翻译质量，在BraTS2020/2021上表现优异。
TokaMark：MAST托卡马克等离子体模型的综合基准
机构 * IBM Research Europe（IBM欧洲研究院） ； UK Atomic Energy Authority（英国原子能局） ； STFC Hartree Centre（STFC哈特ree中心）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.AI
AI总结 为解决聚变数据稀缺、分散且标注不一致的问题，提出TokaMark基准，包含14项任务，统一多模态聚变数据访问和评估协议，并提供基线模型，以加速数据驱动的AI等离子体建模。
面向杂乱环境中的可靠顺序物体抓取：RGMC 2025 亚军方案
机构 * School of Mechanical Engineering, Zhejiang University（浙江大学机械工程学院）
专题命中 多模态评测 ：multi-modal(abstract)
AI总结 针对杂乱环境中的顺序物体抓取任务，提出集成硬件-软件流水线，结合多功能夹爪设计与物体分布及遮挡关系新表示，实现高效识别、搜索与顺序抓取，获RGMC 2025亚军。
Comments First, Second and Third Coauthor contributed equally to this work
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