多模态大模型 - arXivDaily 专题

2607.18536 2026-07-22 cs.AI cs.RO 新提交 79%

MAGE: Human-Like Macro Placement via Agentic Multimodal Reasoning

MAGE：通过智能多模态推理实现类人宏布局

Andrew B. Kahng, Sayak Kundu, Bodhisatta Pramanik

专题命中多模态Agent ：multimodal(title,abstract)；分类 cs.AI

AI总结研究针对工业物理设计流程中宏布局需大量人工优化的问题，提出MAGE框架。该框架通过多模态多智能体实现宏布局优化，结合多种规则与检查，引入量化类人性指标。实验表明其相比商业工具及基线有显著提升，且能转移到新布局设置。

Comments 16 pages

2607.18975 2026-07-22 cs.AI 新提交 57%

Mi-Memory: A Lifecycle Memory Framework for Personal AI

Mi-Memory：一种用于个人人工智能的生命周期内存框架

Xule Liu, Hanlin Teng, Chao Li, Yanan Ni, Shuo Lu, Audrey Wang, Yijun Liu, Yunfei Wang, Xiaofeng Li, Xian Yi, Yuanfa Li, Kang Zhao, Jian Liang, Yuxuan Chen, Jinyuan Chen, Heng Qu, Kun Shao, Jian Luan

专题命中多模态Agent ：multimodal(abstract)；分类 cs.AI

AI总结研究针对个人人工智能从聊天交互拓展至多设备持续服务的需求，提出Mi-Memory生命周期内存框架，围绕四个角色构建，通过共享审计合约及相关工件家族实现，经实例化角色在评估中取得一定成果，迈向可审计等特性的内存系统。

Comments Project page: https://darwin-agent.github.io/Mi-Memory/

2605.13632 2026-07-22 cs.RO cs.CV 版本更新 57%

Guide, Think, Act: Interactive Embodied Reasoning in Vision-Language-Action Models

引导、思考、行动：面向视觉-语言-动作模型的交互式具身推理

Yiran Ling, Qing Lian, Jinghang Li, Qing Jiang, Tianming Zhang, Xiaoke Jiang, Chuanxiu Liu, Jie Liu, Lei Zhang

机构 * Futian Laboratory（福田实验室）； Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院）； International Digital Economy Academy (IDEA)（国际数字经济学院（IDEA））； School of Robotics, Hunan University（湖南大学机器人学院）； South China University of Technology（华南理工大学）； Visincept（Visincept公司）； National Key Laboratory of Smart Farm Technologies and Systems（智能农业技术与系统国家重点实验室）

专题命中多模态Agent ：multimodal(abstract)；分类 cs.CV

AI总结本文提出GTA-VLA框架，通过允许用户用显式视觉提示引导机器人策略，实现空间可调节的具身推理。该框架整合了外部指导与内部任务规划，提升了在视觉歧义和错误恢复中的表现。

2506.14079 2026-07-22 cs.AI 版本更新 57%

FormGym: Doing Paperwork with Agents

FormGym：用智能体完成文书工作

Matthew Toles, Rattandeep Singh, Isaac Song, Zhou Yu

机构 * Columbia University（哥伦比亚大学）； Georgia Institute of Technology（佐治亚理工学院）

专题命中多模态Agent ：multi-modal(abstract)；分类 cs.AI

AI总结 FormGym提出一个表格填写基准测试，通过FieldFinder工具提升智能体在表格定位和填写任务中的性能

2207.13791 2026-07-22 cs.RO cs.CV cs.HC cs.LG 57%

Learning to Assess Danger from Movies for Cooperative Escape Planning in Hazardous Environments

学习从电影中评估危险以进行合作逃离规划在危险环境中

Vikram Shree, Sarah Allen, Beatriz Asfora, Jacopo Banfi, Mark Campbell

专题命中多模态Agent ：multi-modal(abstract)；分类 cs.CV

AI总结本文提出利用电影数据训练机器人评估危险，结合多模态信息提升人机合作逃离效率。

Comments 8 pages, 8 figures Accepted for publication at 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

2507.17049 2026-07-22 cs.SE cs.RO 版本更新 50%

Evaluating Uncertainty and Quality of Visual Language Action-enabled Robots

评估具有视觉语言动作能力的机器人的不确定性和质量

Pablo Valle, Chengjie Lu, Shaukat Ali, Aitor Arrieta

机构 * Mondragon University（蒙dragon大学）； Simula Research Laboratory（Simula研究实验室）

专题命中多模态Agent ：multi-modal(abstract)

AI总结研究针对具有视觉语言动作能力的机器人，采用八个不确定性指标和五个质量指标，通过大规模实证研究评估其有效性，发现部分指标与人类评估有相关性且能区分任务执行质量，挑战了仅依赖成功率的评估做法。

1. 多模态Agent 6 篇