AI 大模型

视觉大模型 / VLM

视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。

2026-02-26 至 2026-02-26 共收录 3 篇信号源：cs.CV, cs.AI, cs.LG

1. GUI与屏幕智能体 3 篇

2602.20659 2026-02-26 cs.AI 77%

Recursive Belief Vision Language Action Models

递归信念视觉语言动作模型

Vaidehi Bagaria, Bijo Sebastian, Nirav Kumar Patel

机构 * Department of Engineering Design, Indian Institute of Technology, Madras, Chennai, India（工程设计系，印度理工学院，马德拉斯，钦奈，印度）

专题命中 GUI与屏幕智能体：vision-language model(abstract)；VLM(abstract)；grounding(abstract)；分类 cs.AI

AI总结 RB-VLA通过信念与意图联合条件化扩散策略，实现长周期任务的高效执行，显著提升成功率并降低推理延迟。

2509.22548 2026-02-26 cs.CV cs.RO 70%

JanusVLN: Decoupling Semantics and Spatiality with Dual Implicit Memory for Vision-Language Navigation

JanusVLN: 通过双隐式记忆解耦语义与空间性用于视觉-语言导航

Shuang Zeng, Dekang Qi, Xinyuan Chang, Feng Xiong, Shichao Xie, Xiaolong Wu, Shiyi Liang, Mu Xu, Xing Wei, Ning Guo

机构 * Xi’an Jiaotong University（西安交通大学）； Amap, Alibaba Group（阿里巴巴集团）

专题命中 GUI与屏幕智能体：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 JanusVLN通过双隐式记忆解耦语义与空间性，提升视觉-语言导航的性能和效率。

Comments Accepted to ICLR 2026. Project page: https://miv-xjtu.github.io/JanusVLN.github.io/

2602.21633 2026-02-26 cs.RO cs.AI cs.CV 62%

Self-Correcting VLA: Online Action Refinement via Sparse World Imagination

自校正视觉-语言-动作模型：通过稀疏世界想象实现在线动作细化

Chenyv Liu, Wentao Tan, Lei Zhu, Fengling Li, Jingjing Li, Guoli Yang, Heng Tao Shen

机构 * Tongji University（同济大学）； University of Technology Sydney（技术悉尼大学）； University of Electronic Science（电子科学大学）； Advanced Institute of Big Data（大数据高级研究所）

专题命中 GUI与屏幕智能体：grounding(abstract)；分类 cs.CV、cs.AI

AI总结 SC-VLA通过稀疏世界想象实现自校正，提升机器人操作任务的效率和成功率。