视觉大模型 / VLM

VLM-Loc: Localization in Point Cloud Maps via Vision-Language Models

基于视觉-语言模型的点云地图定位

Shuhao Kang, Youqi Liao, Peijie Wang, Wenlong Liao, Qilin Zhang, Benjamin Busam, Xieyuanli Chen, Yun Liu

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(title,abstract)；分类 cs.CV

AI总结 VLM-Loc通过视觉-语言模型的空间推理能力，实现了更准确的文本到点云定位，提升了复杂环境中的定位鲁棒性。

Comments CVPR 2026

OmniEarth: A Benchmark for Evaluating Vision-Language Models in Geospatial Tasks

OmniEarth：一个评估遥感任务中视觉-语言模型的基准

Ronghao Fu, Haoran Liu, Weijie Zhang, Zhiwen Lin, Xiao Yang, Peng Zhang, Bo Yang

机构 * Jilin University（吉林大学） ； Chang Guang Satellite Technology（长光卫星技术） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV

AI总结 OmniEarth是一个评估遥感任务中视觉-语言模型性能的基准，通过多维任务和严格测试协议，揭示现有模型在复杂地理任务中的不足。

Zero-Shot and Supervised Bird Image Segmentation Using Foundation Models: A Dual-Pipeline Approach with Grounding DINO~1.5, YOLOv11, and SAM~2.1

基于基础模型的零样本和监督鸟类图像分割：结合Grounding DINO~1.5、YOLOv11和SAM~2.1的双管道方法

Abhinav Munagala

专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV、cs.AI

AI总结 本文提出基于基础模型的双管道方法，利用Grounding DINO、YOLO和SAM实现零样本和监督的鸟类图像分割，提升分割精度并简化领域适应过程。

SCALAR: Learning and Composing Skills through LLM Guided Symbolic Planning and Deep RL Grounding

SCALAR：通过LLM引导的符号规划和深度RL接地学习与组合技能

Renos Zabounidis, Yue Wu, Simon Stepputtis, Woojun Kim, Yuanzhi Li, Tom Mitchell, Katia Sycara

专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.LG

AI总结 SCALAR通过结合LLM引导的符号规划与深度RL，实现技能学习与组合，显著提升任务完成效率和鲁棒性。

Comments Best Paper Award Honorable Mention at NeurIPS 2025 Workshop on Bridging Language, Agent, and World Models for Reasoning and Planning

MGCR-Net:Multimodal Graph-Conditioned Vision-Language Reconstruction Network for Remote Sensing Change Detection

MGCR-Net:多模态图条件视觉-语言重建网络用于遥感变化检测

Chengming Wang, Guodong Fan, Jinjiang Li, Min Gan, C. L. Philip Chen

机构 * School of Computer Science and Technology, Shandong Technology and Business University（山东科技职业大学计算机科学与技术学院） ； School of Computer Science and Technology, Qingdao University（青岛大学计算机科学与技术学院） ； School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院） 纠错

专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 MGCR-Net通过多模态图条件视觉-语言重建机制提升遥感变化检测的语义交互能力。

Journal ref IEEE Transactions on Geoscience and Remote Sensing, vol. 64, pp. 1-15, 2026, Art no. 4701515

HMR-1: Hierarchical Massage Robot with Vision-Language-Model for Embodied Healthcare

HMR-1: 基于视觉-语言模型的分层按摩机器人用于具身医疗

Rongtao Xu, Mingming Yu, Xiaofeng Han, Yu Zhang, Kaiyi Hu, Zhe Feng, Zenghuang Fu, Changwei Wang, Weiliang Meng, Xiaopeng Zhang

机构 * The State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences, China（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） ； Spatiotemporal AI, China（时空人工智能，中国） ； Hangzhou International Innovation Institute, Beihang University, China（杭州国际创新研究院，北航，中国） ； Georgia Institute of Technology, China（佐治亚理工学院，中国） ； Key Laboratory of Computing Power Network and Information Security, Ministry of Education（计算功率网络与信息安全重点实验室，教育部；山东省计算机科学中心，齐鲁工业大学（山东省科学院），中国） ； Shandong Computer Science Center, Qilu University of Technology (Shandong Academy of Sciences), China 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)

AI总结 HMR-1提出基于视觉-语言模型的分层按摩机器人框架，通过构建多模态数据集和微调Qwen-VL模型，实现了具身医疗任务的评估与应用。

FetalAgents: A Multi-Agent System for Fetal Ultrasound Image and Video Analysis

FetalAgents：一种用于胎儿超声图像和视频分析的多智能体系统

Xiaotian Hu, Junwei Huang, Mingxuan Liu, Kasidit Anmahapong, Yifei Chen, Yitong Luo, Yiming Huang, Xuguang Bai, Zihan Li, Yi Liao, Haibo Qu, Qiyuan Tian

机构 * Tsinghua University（清华大学） ； University of California San Diego（加州大学圣地亚哥分校） ； West China Second University Hospital, Sichuan University（四川大学华西第二医院） 纠错

专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV

AI总结 FetalAgents是一种多智能体系统，通过动态协调视觉专家，实现胎儿超声图像和视频的端到端分析与报告，提供高准确性和流程对齐的解决方案。

ParTY: Part-Guidance for Expressive Text-to-Motion Synthesis

ParTY: 部分引导用于表达性文本到运动合成

KunHo Heo, SuYeon Kim, Yonghyun Gwon, Youngbin Kim, MyeongAh Cho

机构 * Kyung Hee University（庆熙大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV

AI总结 ParTY通过部分引导网络、部分感知文本定位和整体-部分融合，提升文本到运动合成中部分表现力和动作连贯性。

Comments Accepted by CVPR 2026. Code: https://github.com/VisualScienceLab-KHU/ParTY

Explainable Innovation Engine: Dual-Tree Agent-RAG with Methods-as-Nodes and Verifiable Write-Back

可解释的创新引擎：双树代理-RAG与方法作为节点和可验证的写回

Renwei Meng

机构 * Anhui University（安徽大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 本研究提出了一种双树代理-RAG框架，通过方法作为节点和可验证的写回机制，提升代理系统在可控、可解释和可验证创新方面的性能。

Comments 15pages, 4figures, code available on Github

AI Phenomenology for Understanding Human-AI Experiences Across Eras

人工智能现象学：理解跨时代的以人为本的AI体验

Bhada Yun, Evgenia Taranova, Dana Feng, Renn Su, April Yi Wang

机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Bergen（卑尔根大学） ； Stanford University（斯坦福大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 本文提出人工智能现象学，通过研究用户与AI交互的主观体验，促进双向人机对齐，并提供可重复的方法论工具。

Comments This is an accepted workshop paper at CHI '26, "W37: Human-AI Interaction Alignment: Designing, Evaluating, and Evolving Value-Centered AI For Reciprocal Human-AI Futures", or https://bialign-workshop.github.io/2026/cfp

Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams

Scale-Plan: 为异构多机器人团队实现可扩展的语言赋能任务规划

Piyush Gupta, Sangjae Bae, Jiachen Li, David Isele

机构 * Honda Research Institute（本田研究院） ； University of California（加州大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 Scale-Plan通过生成紧凑的任务相关问题表示，提升异构多机器人团队的可扩展性和可靠性。

Overview of the TREC 2025 Retrieval Augmented Generation (RAG) Track

TREC 2025检索增强生成（RAG）赛道概述

Shivani Upadhyay, Nandan Thakur, Ronak Pradeep, Nick Craswell, Daniel Campos, Jimmy Lin

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 TREC 2025 RAG赛道通过多句叙述查询和多层次评估框架，推动检索增强生成系统的可信与上下文感知创新。

Comments 21 pages, 8 figures, 13 tables

EmbC-Test: How to Speed Up Embedded Software Testing Using LLMs and RAG

EmbC-Test: 如何利用LLMs和RAG加速嵌入式软件测试

Maximilian Harnot, Sebastian Komarnicki, Michal Polok, Timo Oksanen

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文提出利用LLMs和RAG技术，通过生成自动测试用例，显著提高嵌入式软件测试效率，节省66%的测试时间并每小时生成270个测试用例。

Journal ref Technical University of Munich. 2026. ISBN 978-3-911430-12-8. https://mediatum.ub.tum.de/1846559