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。
ShutterMuse: 基于多模态大语言模型的拍摄时刻摄影指导
机构 * Fudan University（复旦大学） ； StepFun
专题命中 多模态评测 ：MLLM(summary_cn,abstract)；multimodal(abstract)；分类 cs.CV
AI总结 提出CaptureGuide-Bench基准测试，评估MLLM在摄影师构图与主体姿态推荐方面的能力，并构建ShutterMuse统一模型，通过监督与强化微调实现最佳综合性能。
Comments Project Page:https://lijayutnt.github.io/ShutterMuse
AMVICC: 一种用于VLM和IGM跨模态故障模式分析的新型基准
机构 * Centennial High School, Frisco, Texas, USA（Centennial High School, Texas, USA） ； Lebanon Trail High School, Frisco, Texas, USA（Lebanon Trail High School, Texas, USA） ； West Windsor-Plainsboro High School, Princeton Junction, New Jersey, USA（West Windsor-Plainsboro High School, New Jersey, USA） ； Algoverse AI Research, Palo Alto, California, USA（Algoververse AI Research, California, USA）
专题命中 多模态评测 ：cross-modal(title,abstract)；multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 提出AMVICC基准，通过图像到文本和文本到图像任务系统比较多模态大模型和图像生成模型的视觉推理失败模式，发现故障模式在模型和模态间共享，但存在特定于模型和模态的失败。
Comments 14 pages, 4 figures, 8 tables. Presented at the 39th Conference on Neural Information Processing Systems Workshop: VLM4RWD. Presented at the 43th International Conference on Machine Learning Workshops: ICML 2026 CTB, ICML 2026 FAGEN, ICML 2026 EMM-QA. Authors Aahana Basappa and Pranay Goel contributed equally. Code: https://github.com/AahanaB24/AMVICC, Data: https://doi.org/10.5281/zenodo.17646068
SSMNBench: 通过单视图充分性与多视图必要性诊断基于图像的跨视角人-物理解
机构 * The University of Queensland（昆士兰大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； University of Technology Sydney（悉尼科技大学） ； Follow Me AI Pty LTD（Follow Me AI有限公司）
专题命中 多模态评测 ：MLLM(summary_cn,abstract_cn)；multimodal(abstract)；分类 cs.CV
AI总结 提出SSMNBench基准，通过单视图充分性(SVS)和多视图必要性(MVN)任务分类，诊断MLLM在跨视角人-物理解中的视觉干扰退化和跨视角融合失败问题。
Comments European Conference on Computer Vision (ECCV). 32 pages, 10 figures. The code is available at: $ \href{https://github.com/gtc-gh/SSMNBench}{\text{SSMNBench}} $
相同证据，不同答案：多模态大语言模型中的顺序敏感性审计
机构 * Stanford University（斯坦福大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.CL
AI总结 提出Facet-Probe审计框架，评估18个多模态大语言模型在五种顺序扰动下的答案翻转率，发现所有模型均非顺序不变，最佳模型仍有13.4%翻转率，提示仅靠提示级缓解难以实现通用顺序鲁棒性。
Comments 22 pages, 4 figures, 5 tables
面向工业多模态监测的非对称感知路由：一个诊断框架
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 提出非对称感知路由框架，通过三步诊断（单模态性能差距、门权重归因、模态损坏测试）决定多模态融合策略，在三个数据集上验证了其有效性。
Comments A subsequent extension of this analysis to a larger corpus found that the heterogeneity predictor is collinear with the industrial-versus-general domain split, so the corresponding effect is not identifiable on the available data
TriViewBench: 多视图结构推理中受控复杂度缩放
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
专题命中 多模态评测 ：multimodal(abstract)；MLLM(abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出TriViewBench基准，通过合成3D场景控制物体数量和遮挡，评估18个多模态大模型在多视图推理中的能力层次和性能退化，发现跨视图空间表示是瓶颈。
Comments 26 pages, 8 figures
超越一刀切：基于诊断的在线强化学习与离线先验知识
机构 * Nanyang Technical University（南洋理工大学） ； University of Oxford（牛津大学）
专题命中 多模态评测 ：multimodal(abstract)；multimodal foundation model(abstract)
AI总结 本文提出诊断驱动的张力管理框架，通过三种功能角色表征离线先验知识如何重塑在线优化，并展示跨领域证据，解决先验知识有效性随部署变化的问题。
C3-Bench：一种上下文感知的变化描述基准
机构 * Gwangju Institute of Science and Technology（光州科学技术院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 提出C3-Bench基准，包含51种真实变化场景的4996对图像，并首次引入LLM-as-Judge评估框架，揭示现有模型在非训练分布场景下的系统性盲点。
Comments ECCV 2026 Camera-ready version
Falcon: X射线中组合推理的功能组装与语言
机构 * Khalifa University（哈利法大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 针对X射线安检中威胁来自分散组件功能兼容性的问题，提出Falcon框架，通过结构化安全状态表示实现组合威胁推理，并构建Falcon-X基准验证其有效性。
Comments Accepted at ECCV2026; Project Page: https://yonathan-kiflom.github.io/FALCON/page/
OrthoTrack：基于公开正射影像的连续六自由度无人机轨迹估计
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） ； Microsoft（微软公司）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.CV
AI总结 提出OrthoTrack，利用公开正射影像和表面模型实现无训练、实时、无漂移的连续六自由度无人机轨迹估计，无需GPS或后处理对齐。
Comments ECCV 2026 - Project page: http://orthotrack.ethz.ch
MedLayBench-V：面向医学视觉语言模型中专家与普通人语义对齐的大规模基准
机构 * Seoul National University（首尔国立大学） ； Seoul National University College of Medicine（首尔国立大学医学院） ； Department of Radiology, Seoul National University Hospital（首尔国立大学医院放射科） ； Healthcare AI Research Institute, Seoul National University Hospital（首尔国立大学医院健康人工智能研究所） ； The Advanced Imaging and Computational Neuroimaging (AICON) Laboratory（先进影像与计算神经影像实验室）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CL
AI总结 提出首个大规模多模态基准MedLayBench-V，通过结构化概念基础精炼管道实现专家-普通人语义对齐，用于训练和评估能弥合医患沟通鸿沟的医学视觉语言模型。
Comments Findings of ACL 2026. 9 pages, 5 figures, 11 tables, plus appendix
Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pages 18375-18394
GroundSet: 基于地籍数据的空间理解向量数据集
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 针对多模态大模型在遥感精细空间理解上的不足，提出基于地籍矢量数据的大规模数据集，含510k高分辨率图像和380万标注对象，通过指令微调基准验证，标准架构可掌握细粒度空间定位。
桥接球形黑箱优化器
机构 * The University of Tokyo（东京大学）
专题命中 多模态评测 ：multimodal(abstract)
AI总结 将进化策略、共识优化和积分优化统一为理论框架，通过引入混合优化器控制平坦偏好和模态，在连续控制和语言模型合并任务中提升性能与鲁棒性。
Comments Accepted for publication at ICML 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