Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting
视觉语言模型的持续学习：超越遗忘的综述与分类
专题命中 图文多模态 ：multimodal(abstract)；multi-modal(abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 本文综述了视觉语言模型的持续学习挑战，提出四种核心范式以解决跨模态特征漂移和灾难性遗忘问题，强调零样本学习和智能体生态系统的发展。
AI 大模型
多模态大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
1. 图文多模态 9 篇
Targeted Interpretable Safety Neuron Enhancement for Multilingual Vision-Language Large Models
Precise Shield：通过神经层面指导解释和对齐VLLM安全
机构 * Nanjing University of Science and Technology（南京理工大学） ； National University of Singapore（新加坡国立大学） ； Beihang University（北京航空航天大学） ； Nanjing Forestry University（南京林业大学）
专题命中 图文多模态 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 本文提出Precise Shield框架，通过对比有害与良性输入的激活模式识别安全神经元，并通过梯度掩码限制参数更新，提升VLLM安全性能并保持多语言多模态泛化能力。
MinerU-Popo: Universal Post-Processing Model for Structured Document Parsing
MinerU-Popo：结构化文档解析的通用后处理模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory, OpenDataLab（上海人工智能实验室，OpenDataLab） ； University of California, Berkeley（加州大学伯克利分校）
专题命中 图文多模态 ：image-text(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 提出MinerU-Popo轻量级通用后处理框架，通过分解为文本/表格截断恢复、标题层级重建和图文关联四个子任务，并利用动态分块和重叠同步将OCR页面级结果重构为文档级逻辑结构，显著提升标题层级TEDS和RAG准确性。
Comments The code is available at https://github.com/opendatalab/MinerU-Popo
PathAgentBench: Benchmarking Evidence-Seeking Vision-Language Models on Whole-Slide Pathology Image
PathAgentBench：在全切片病理图像上对寻求证据的视觉语言模型进行基准测试
机构 * National University of Singapore（新加坡国立大学） ； PuzzleLogic Pte Ltd（拼图逻辑私人有限公司） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区） ； Peking Union Medical College Hospital（北京协和医院）
专题命中 图文多模态 ：cross-modal(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对全切片病理图像诊断中证据获取与整合问题，引入PathAgentBench基准，评估视觉语言模型的四项互补能力，包含多模型评估结果，揭示了证据推理与获取间的差距，为改进病理模型提供统一框架。
S-GRPO: Unified Post-Training for Large Vision-Language Models
S-GRPO：面向大视觉语言模型的统一后训练方法
机构 * Tencent（腾讯）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV、cs.CL
AI总结 本文提出S-GRPO，结合模仿学习指导与偏好优化的多轨迹探索，通过条件真实轨迹注入机制解决SFT与RL的效率问题，提升收敛速度与领域适应能力。
A report-grounded vision-language foundation model for colonoscopy from 280000 routine reports
基于28万份常规报告的肠镜报告驱动的视觉-语言基础模型
机构 * Digital Medical Research Center, School of Basic Medical Sciences, Fudan University（复旦大学基础医学院数字医学研究中心） ； Shanghai Collaborative Innovation Center of Endoscopy（上海内镜诊疗协同创新中心） ； Zhejiang University（浙江大学） ； Shanghai Institute for Advanced Study of Zhejiang University（浙江大学上海高等研究院） ； Alliance Manchester Business School, The University of Manchester（曼彻斯特大学联盟曼彻斯特商学院） ； Data Science Institute, Imperial College London（伦敦帝国理工学院数据科学研究所） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 图文多模态 ：image-text(abstract)；分类 cs.AI
AI总结 该研究开发了肠镜视觉-语言基础模型EndoCLIP，利用28万份常规肠镜记录恢复的图像-文本对训练，在多项任务中优于通用模型，良恶性分类性能接近专家，可实现临床目标的语言指定。
Scaling Vision-Language Models Is Not Enough to Mitigate Bias
扩大视觉-语言模型规模不足以缓解偏见
机构 * Information Technologies Institute, CERTH（CERTH信息技术研究所）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 该研究通过对194个视觉-语言模型的大规模实证分析，发现扩大模型规模无法缓解偏见，训练数据属性对偏见鲁棒性更关键，架构选择效果依赖基准特性。
A Cross-Architecture Audit of Direction-Based Inference-Time Defences in Vision-Language Models
跨架构视觉语言模型中基于方向的推理时防御措施审计
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.AI
AI总结 该研究审计了视觉语言模型中5种基于方向的推理时防御，发现其性能具架构特异性，部分防御间几何重叠，需按解码器家族单独校准。
Continual Learning with Vision-Language Models via Semantic-Geometry Preservation
通过语义-几何保持实现视觉-语言模型的持续学习
机构 * School of Information and Communication Engineering, University of Electronic Science and Technology of China（电子科技大学信息与通信工程学院）
专题命中 图文多模态 ：cross-modal(abstract)；分类 cs.CV
AI总结 本文提出SeGP-CL方法，通过构建对抗锚点和跨模态几何蒸馏，解决持续学习中的语义几何退化问题，提升模型稳定性和迁移能力。
Comments Accepted by IEEE TCSVT 2026
