Explainable Multimodal AI for Adaptive Calibration of Archaeological Sensing Workflows
面向考古传感工作流自适应校准的可解释多模态人工智能
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文提出一种可解释多模态AI框架，用于考古传感工作流的自适应校准、质量评估与采集支持，经多模态考古数据集验证可实现跨模态稳健质量评估。
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. 多模态评测 9119 篇
ICU-Bench:Benchmarking Continual Unlearning in Multimodal Large Language Models
ICU-Bench: 多模态大语言模型持续反学习基准测试
机构 * School of Computer Science and Technology（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.AI
AI总结 本文提出ICU-Bench，用于评估多模态大语言模型在持续隐私删除中的性能，包含1000个敏感资料和9500张图像，引入新指标分析遗忘效果与稳定性，揭示现有方法在持续场景下的局限。
Comments 21 pages, 11 figures, and 9 tables
Missing-by-Design: Certifiable Modality Deletion for Revocable Multimodal Sentiment Analysis
缺失-by-设计：可撤销多模态情感分析的可验证模态删除
机构 * University of Macau（澳门大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Juntendo University（立命馆大学） ； Tsinghua University（清华大学） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CL
AI总结 本文提出MBD框架，通过结构化表示学习和可验证参数修改流程，实现可撤销多模态情感分析中的模态删除，实验表明其在不完整输入下具有强预测性能，并实现隐私与效用的平衡。
Comments 21 pages, 6 figures. In the previous version, Juntendo University was erroneously listed as the affiliation; we must clarify that this paper has absolutely no relation to Juntendo University. Therefore, we have replaced this affiliation in the new version
The Theoretical Foundation of Socratic Tests: Dynamic, Multimodal, Conversational Examinations
苏格拉底测试的理论基础：动态、多模态、对话式考试
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文提出苏格拉底测试的理论基础，整合多类教育评估原则与分类学，量化最近发展区并设计非补偿性加法评分架构，以解决传统评估的缺陷并提升测量可靠性。
Comments 21 pages, 1 figure, submitted to Computers and Education: Artificial Intelligence
ReMoE: Report-Guided Mixture-of-Experts for Multimodal OCT/OCTA Anomaly Detection
ReMoE：报告引导型混合专家模型用于多模态OCT/OCTA异常检测
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 针对多模态OCT/OCTA异常检测，提出ReMoE模型，融合正常报告语义构建模态感知先验，在两个数据集上取得最优性能。
MMShopBench: A Real-Log Benchmark for Multimodal, Multi-Turn Shopping Agents
MMShopBench：面向多模态多轮购物智能体的真实日志基准
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 该研究推出首个多模态多轮购物智能体真实日志基准MMShopBench，构建离线购物沙箱，经微调后开源模型性能大幅接近领先专有模型，验证了基准及配套训练数据的有效性。
Comments 16 pages, 6 figures, including appendix
CAER: Conflict-Aware Evidence Routing with Dual Prefix Experts for Multimodal Large Language Models
CAER：面向多模态大语言模型的冲突感知证据路由，采用双前缀专家机制
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本研究提出与主干无关的CAER框架，通过双前缀专家路由机制实现视觉-语言冲突检测与冲突感知生成，在MMMC及AgriConflict数据集上验证可提升开源多模态大语言模型的可靠性。
Shared Semantic Codebook Distillation for Unpaired Cross-Modal Medical Classification
用于非配对跨模态医学分类的共享语义码本蒸馏
机构 * Sungkyunkwan University（成均馆大学） ； Convergence Research Institute, Sungkyunkwan University（成均馆大学融合研究院）
专题命中 多模态评测 ：cross-modal(title,abstract)；分类 cs.CV
AI总结 针对非配对跨模态医学分类的挑战，提出SSCD方法，通过共享语义码本转移知识，在两个医学分类任务中提升学生模型性能，优于各基线方法
Comments 16 pages, 2 figures, 4 tables
SKY-Piano: A Multimodal Piano Performance Dataset
SKY-Piano：多模态钢琴演奏数据集
机构 * Seoul National University（首尔大学） ； KAIST（韩国科学技术院） ； Yamaha（雅马哈）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.MM
AI总结 该研究发布SKY-Piano多模态钢琴演奏数据集，含多类数据及标注工具，通过微调实验验证其用于MIDI到动作生成的可用性。
Comments Accepted to the 27th International Society for Music Information Retrieval Conference (ISMIR 2026), Abu Dhabi, UAE. Project page: https://joonhyungbae.github.io/skypiano/
MultivationBench: A Benchmark for Multimodal Sequential Motivation Reasoning
MultivationBench：多模态序列动机推理基准
机构 * The Hong Kong University of Science and Technology（香港科技大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文提出MultivationBench基准，基于心理学框架评估多模态序列动机推理，发现现有模型难以在序列语境中保持一致的动机推理，暴露了静态识别与动态推理的差距。
Comments 31 pages, including appendices; 6 figures and 22 tables. Code: https://github.com/HKUST-KnowComp/MultivationBench
On-Device Inference versus Wireless Streaming: Energy-Efficient Multi-Modal Deep Learning for Wearable Cardiovascular Patches
面向心血管传感器贴片的端到端多模态微型CNN原型设计
机构 * CTO System Innovation, NXP Semiconductors Germany GmbH（NXP半导体德国系统创新部） ； Advanced Chip Engineering, NXP Semiconductors（NXP半导体先进芯片工程部） ； Business Line Secure Connected Edge, NXP Semiconductors（NXP半导体安全连接边缘业务线） ； Institute of Medical Technology and Intelligent Systems, Hamburg University of Technology（汉堡技术大学医学技术与智能系统研究所） ； Department of Informatics, Hamburg University of Applied Sciences（汉堡应用科学大学信息学院）
专题命中 多模态评测 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 针对资源受限的医疗边缘设备，提出一种早期融合心电图和心音图数据的卷积神经网络，实现二分类，相比现有技术将内存和计算成本降低约三个数量级，并验证了在微控制器上的能效优势。
Comments 16 pages, 2 figures. Extended version of our 2024 IEEE PerCom paper, with direct on-device energy measurements, a BLE communication benchmark, architecture comparisons, and an extended evaluation. Submitted to Pervasive and Mobile Computing; Measurement-method clarifications and minor editorial corrections; results and conclusions unchanged
Bridging the Gap in Ophthalmic AI: MM-Retinal-Reason Dataset and OphthaReason Model toward Dynamic Multimodal Reasoning
缩小眼科人工智能的差距：MM-Retinal-Reason数据集与OphthaReason模型用于动态多模态推理
机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Department of Ophthalmology, The First Affiliated Hospital of Nanjing Medical University（南京医科大学第一附属医院眼科学系） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 该研究针对现有眼科AI仅聚焦基础推理的问题，构建首个眼科多模态数据集MM-Retinal-Reason，并提出带UADT方法的OphthaReason模型，实现眼科多模态推理性能的显著提升。
Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment
迈向可靠的染色转移：基于多模态专家指导评估的迭代数据-模型协同优化框架
机构 * East China Normal University（华东师范大学） ； Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院） ； Hangzhou Hyperspectral Imaging Technology Co., Ltd.（杭州高光谱成像技术有限公司） ； Fudan University Shanghai Cancer Center（复旦大学附属肿瘤医院）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 研究针对染色转移建模难题，提出DMCoStain框架，通过迭代优化数据与模型能力提升准确性和可解释性。基于IPE视觉语言模型构建MEGFS策略并创建ImmunoInstruction数据集，实验证明该框架达最优精度，其范式有实用价值，MEGFS可作评估工具。
Comments 10 pages, accepted by ACMMM2026 Main Track
A Controlled Visual-Backbone Benchmark for Multimodal Short-Term Solar Irradiance Forecasting
用于多模态短期太阳辐照度预测的可控视觉主干基准测试
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 该研究针对多模态短期太阳辐照度预测，固定多模态预测管道，仅改变视觉主干进行基准测试。比较多种主干在不同数据集上的预测表现，给出了各主干的RMSE等结果，提供了可重复的编码器比较，未确立架构优势等。
Comments 6 pages, 3 figures, Moratuwa Engineering Research Conference 2026 (MERCon 2026)
Mixture-of-Thought-Tokens: Unifying Perception and Reasoning for Free-form Multimodal Grounding
思想令牌混合：统一感知与推理以实现自由形式多模态基础定位
机构 * Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所） ； Xingchen AGI Lab, China Telecom Artificial Intelligence Technology (Beijing) Co., Ltd（星辰通用人工智能实验室，中国电信人工智能技术（北京）有限公司） ； University of Science and Technology Beijing（北京科技大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 研究旨在统一多模态基础定位中的感知与推理。提出思想令牌混合（Motto）方法，通过空间接地思想令牌化及上下文自适应令牌链实现，构建PR-Bench基准，实验证明该方法在自由形式接地任务中达领先性能。
Comments Accepted by ACM MM 2026
Color Fundus Photography Analysis: Co-evolution of Data, Preprocessing, and Modeling toward Multimodal AI
彩色眼底摄影分析：数据、预处理和建模向多模态人工智能的共同进化
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 研究彩色眼底摄影分析中数据、预处理和建模的共同进化，通过数据集进化、预处理范式和建模框架的相互作用进行综合概述，指出未来进展取决于三者协同优化，为临床部署等提供路线图。
Comments Survey paper, 77 pages, 18 figures, 2 tables
MulRobBench: A Decision-Level Benchmark for Safe and Security-Policy-Compliant Multimodal UAV Agents
MulRobBench：用于安全且符合安全策略的多模态无人机智能体的决策级基准测试
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 智慧城市中无人机需在复杂条件下决策，MulRobBench作为决策级基准测试，将多模态观测、安全策略等集成，含多任务样本和评分维度，评估结合多种方式，给出模型得分，通过研究找出决策不稳定原因，为无人机多模态决策提供可重复基准。
Comments 22 pages, 18 figures, 17 tables
ObsDriveBench: Benchmarking Multimodal Understanding under Adverse Weather with Observability Awareness
ObsDriveBench：具有可观测性意识的恶劣天气下多模态理解基准测试
机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； Institute of Medical Intelligence and XR, The Chinese University of Hong Kong（香港中文大学医学智能与扩展现实研究所）
专题命中 多模态评测 ：multimodal(title)；multi-modal(abstract)；分类 cs.AI
AI总结 研究恶劣天气下视觉语言模型在多模态输入时的表现，引入ObsDriveBench基准测试，通过可观测性元标注等构建含多类问题的测试集，实验发现现有模型性能降，还引入ObsDrive模型提升其在多方面的鲁棒性。
FogDrive: A Multi-Modal Synthetic Driving Dataset for Perception under Graded Fog
FogDrive：用于分级雾天感知的多模态合成驾驶数据集
机构 * Indian Institute of Technology, Guwahati（印度理工学院古瓦哈提分校）
专题命中 多模态评测 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 FogDrive是用于分级雾天感知的多模态合成驾驶数据集，基于CARLA模拟器构建，含多种传感器数据，模拟不同密度雾。通过跨两种范式建立基线基准，得出训练中混合多密度雾可收紧3D边界框几何形状等见解，将开源加速多模态研究。
DOSE-I: A Multimodal Biosignal Dataset of Procedural Sedation for Endoscopy -- Technical Report
DOSE-I：用于内镜操作镇静的多模态生理信号数据集——技术报告
机构 * Universitätsmedizin Halle (Saale)（哈勒（萨勒）大学医学院） ； Universitätsklinikum Halle (Saale)（哈勒（萨勒）大学医院） ； Universitätsklinik und Poliklinik für Innere Medizin I（内科学I大学医院和多科医院） ； Martin‑Luther‑Universität Halle‑Wittenberg（哈勒-维滕贝格马尔伯特大学） ； Medizinische Fakultät（医学系） ； Ernst‑Grube‑Straße 40（埃尔斯特-格鲁布街40号）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文介绍内镜镇静多模态生理信号数据集DOSE-I的构建细节，提供标注数据、预处理方案与开源代码，支撑相关医疗AI研究。
Comments Dataset can be accessed via zenodo DOI https://doi.org/10.5281/zenodo.18483292 For citation use the primary academic reference: Garbe J et al. Towards predicting sedation depth in endoscopy with large clinically annotated EEG data of continuous Propofol sedation. In: P. Andreevetal (Eds.): AIME2026, LNAI 16749, p.1-6, Springer, 2026. https://doi.org/10.1007/978-3-032-30813-9_58
Medical-Checklist: Assessing the Comprehension of Medical Images by Multimodal Models
医学检查表：评估多模态模型对医学图像的理解
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 介绍医学检查表这一基准测试，通过给模型一张图像及一正一误两个标题进行二元测试，可统一评估不同多模态模型，验证其对医学概念的理解，评估其处理分布外输入的能力，用其评估四个先进模型发现它们理解图像能力待提升。
Comments Accepted for publication in IEEE Journal of Biomedical and Health Informatics
PixDLM: A Dual-Path Multimodal Language Model for UAV Reasoning Segmentation
PixDLM：一种用于无人机推理分割的双路径多模态语言模型
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文提出PixDLM，一种用于无人机推理分割的多模态语言模型，通过构建DRSeg基准数据集，验证了该模型在处理高分辨率无人机图像中的有效性。
Comments Accepted to CVPR 2026 (highlight)
An Intelligent-Cloud Edge Multimodal Interaction System for Robots
一种用于机器人的智能云边缘多模态交互系统
机构 * Hainan University（海南大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 针对复杂环境下资源受限机器人的交互问题，提出云边缘多模态交互框架，集成增强YOLO手势检测器与LLM、VLM智能体，改进手势检测方法，经实验验证该系统在手势检测精度、任务成功率及用户满意度方面表现良好，证明了方法的可行性。
Forecasting the Number of Harvest-ready Fruits of Sweet Peppers Using Multimodal Time-Series Data
使用多模态时间序列数据预测甜椒的可收获果实数量
机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所） ； CSIRO（联邦科学与工业研究组织）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 针对单株甜椒产量预测，提出融合图像特征与计数测量的多模态深度学习框架，利用LSTM网络处理时间依赖性和不规则采样，实验证明该方法能降低RMSE，提供校准不确定性估计，还发布数据集和代码助力相关研究。
Cross-Modal UAV Object Tracking: State-Aware Representation Learning and A Unified Benchmark
跨模态无人机目标跟踪：状态感知表示学习与统一基准
机构 * Anhui University（安徽大学） ； Edinburgh Napier University（爱丁堡龙比亚大学）
专题命中 多模态评测 ：cross-modal(title,abstract)；分类 cs.CV
AI总结 针对无人机跨模态目标跟踪中模态切换致外观和位置突变的问题，提出状态感知表示学习方法SARLA，含相关模块及损失函数，建立CM-UOT基准，实验证明其性能优于多种方法，推动了该领域发展。
Querying Multimodal Scientific Papers with AI: Practices and Preferences Across Blind, Low-Vision, and Sighted Scientists
用人工智能查询多模态科学论文：盲人、低视力和视力正常科学家的实践与偏好
机构 * Paul G. Allen School of Computer Science \& Engineering University of Washington Seattle WA USA ； The Information School University of Washington Allen Institute for AI Seattle WA USA ； Allen Institute for AI Seattle WA USA ； University of Washington ； Allen Institute for AI
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 研究不同视力科学家如何用ChatGPT和Gemini查询多模态科学文档，通过采访了解其审查多模态内容的实践、对AI响应的反馈等，发现相关问题，贡献数据集，讨论对AI科学QA系统的影响。
SpEmoC: A Balanced Speaker-Segment Multimodal Emotion Benchmark
SpEmoC：一个平衡的说话者片段多模态情感基准
机构 * Indian Institute of Technology Ropar（印度理工学院罗帕尔分校） ； Østfold University College（东福尔郡大学学院） ； Trinity College Dublin（都柏林圣三一大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 研究口语对话中人类情感理解，提出SpEmoC基准，整合预训练模型与人工验证标注七种情感模态，采用严格分割保持情感平衡分布，实验证明其能提升模型跨数据集评估时情感性能的稳定性。
An Explicit World Model Based on Data-First Ontology: DaoQL Multimodal Storage Validation and Counterfactual Reasoning Evaluation
基于数据优先本体的显式世界模型：DaoQL多模态存储验证与反事实推理评估
机构 * School of Mathematics and Statistics, Chongqing University（重庆大学数学与统计学院） ； Guangzhou Polytechnic Normal University（广州技术师范大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 研究大型语言模型隐式编码世界模型的风险，提出数据优先本体并构建DaoQL多模态数据库。通过形式化显式世界模型，对比隐式模型优势。实验展示系统性能，如在反事实实验中DaoQL+GPT-4o可组合反事实可分解性大幅提升。
Comments 20 pages, 2 figures. Code: https://github.com/zhanbolee/DaoQL-Edu
BanClickThumb: A Multimodal Dataset and Transformer Fusion Benchmarks for Clickbait Detection in Bengali YouTube Videos
BanClickThumb：用于孟加拉语YouTube视频中标题党检测的多模态数据集和Transformer融合基准测试
机构 * Department of Computer Science and Engineering, Bangladesh Army University of Science and Technology（孟加拉国陆军科技大学计算机科学与工程系）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 针对孟加拉语YouTube视频标题党检测，公开多模态数据集BanClickThumb，用其对单模态和多模态方法进行基准测试，提出多模态模型BanClickFusionFormer，结合ViT和XLM - RoBERTa，证明多模态融合有效性，提供基准支持低资源多模态内容分析研究。
Learning Sparse Latent Predictive Foundation Model for Multimodal Neuroimaging
学习用于多模态神经影像的稀疏潜在预测基础模型
机构 * New York University, Center for Data Science（纽约大学数据科学中心） ； NYU Grossman School of Medicine, Department of Radiology（纽约大学格罗斯曼医学院放射学系） ； State University of New York at Binghamton, School of Computing（纽约州立大学宾汉姆顿分校计算机学院） ； NYU Grossman School of Medicine, Department of Neurology（纽约大学格罗斯曼医学院神经病学系） ； NYU Grossman School of Medicine, Department of Neurosurgery（纽约大学格罗斯曼医学院神经外科学系） ； NYU Grossman School of Medicine, Department of Pathology（纽约大学格罗斯曼医学院病理学系） ； School of Medicine, Department of Radiology, Stanford（斯坦福大学医学院放射学系） ； NYU Grossman School of Medicine, Department of Neuroscience（纽约大学格罗斯曼医学院神经科学系） ； NYU Grossman School of Medicine, Neuroscience Institute（纽约大学格罗斯曼医学院神经科学研究所）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 提出Neuro-JEPA模型，结合潜在预测目标和专家混合架构，学习T1w、T2w和FLAIR三种MRI序列的统一表示，在25项临床任务和22项公开数据集任务上优于现有基础模型和CNN基线。
Comments Under Review Preprint
