AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
IMAIA：交互式地图AI助手用于旅行规划和地理空间智能
机构 * Microsoft（微软） ； Amazon（亚马逊）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 IMAIA通过自然语言交互整合矢量地图和卫星影像，结合地理空间信息提升地图相关问答和摄像头到地点的关联能力，实现空间感知的对话式地图系统。
Comments Accepted to The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
这需要太长时间 -- 调查时间作为LLMs能耗的代理
机构 * Centre for Applied Autonomous Sensor Systems (AASS)（应用自主传感器系统中心）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 研究通过推理时间估算API基于LLMs的能耗，验证了时间测量与实际能耗之间的关联，为用户理解LLMs能耗提供方法。
Comments This work was accepted at PerCom 2026
主动拒绝与 grounded 执行：一种双阶段意图分析范式用于安全高效的 AIoT 智能家居
机构 * School of Information and Electronic Engineering (Sussex Artificial Intelligence Institute), Zhejiang Gongshang University（信息与电子工程学院（Sussex人工智能研究院），浙江工商大学） ； Sussex Artificial Intelligent Institute, Zhejiang Gongshang University（Sussex人工智能研究院，浙江工商大学） ； Department of Engineering and Design, University of Sussex（工程与设计系， Sussex大学） ； Artificial Intelligence Research Institute, Shenzhen MSU-BIT University（人工智能研究院，深圳MSU-BIT大学） ； College of Computer Science and Software Engineering, Shenzhen University（计算机科学与软件工程学院，深圳大学） ； Department of Electrical and Computer Engineering, The University of British Columbia（电气与计算机工程系，不列颠哥伦比亚大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出双阶段意图感知框架，通过语义防火墙和确定性验证器，解决LLM在IoT中的可靠性与交互效率问题，提升家居任务执行精度与用户干扰最小化。
GASP：指导性的非对称自我对弈用于编码大语言模型
机构 * University of Tübingen（图宾根大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 GASP通过引入真实数据目标问题，改进了非对称自我对弈方法，提升了LiveCodeBench上的pass@20指标，并解决了其他方法无法达到的难题。
Comments Accepted at ICLR 2026 Workshop on AI with Recursive Self-Improvement (RSI 2026) as Spotlight, and ICLR 2026 Workshop on Lifelong Agents (LLA 2026)
基于语义边界的小波帧选择用于长视频理解
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） ； College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出WFS-SB方法，通过小波变换检测语义边界，提升长视频中大视觉语言模型的性能，实验显示在多个基准上均优于现有方法。
Comments Accepted at CVPR 2026
VALD：为高效LVLM防御的多阶段视觉攻击检测
机构 * Technion – Israel Institute of Technology（技术学院 – 以色列理工学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出VALD方法，通过图像变换与智能数据整合快速过滤清洁输入，结合文本嵌入空间和LLM解决攻击问题，实现高效准确的LVLM防御。
LogicXGNN: 基于逻辑规则的图神经网络解释方法
机构 * University of Toronto（多伦多大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 LogicXGNN通过构建逻辑规则提升图神经网络解释的可信度和可解释性，提出数据驱动的 fidelity 指标并显著提升解释质量。
Comments Accepted at ICLR 2026
开放词汇八叉树图用于3D场景理解
机构 * Northwestern Polytechnical University（西北工业大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； CASIA ； TeleAI
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出Octree-Graph，通过CGSM和IFA算法获取3D实例及语义特征，构建适应性八叉树结构以高效表示场景，实验表明其在多种任务中具有广泛适用性和有效性。
Comments Accepted by ICCV25. 11 pages, 7 figures
通过检索增强生成发现高效熵催化剂
机构 * School of Biomedical Sciences, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学生物医学科学学院，利卡申医学学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文展示如何利用大语言模型加速催化剂发现，通过检索增强生成框架生成250多个候选催化剂，其中82%具有热力学稳定性，同时满足多目标约束，最佳催化剂在性能和成本上均有显著提升。
Journal ref Open Conference of AI Agents for Science 2025
MedArena: 比较医疗领域LLM的临床医生偏好
机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Division of Hospital Medicine, Department of Medicine, Stanford School of Medicine（斯坦福医学院医学部住院医学科） ； Department of Radiology, St. Jude Children's Research Hospital（圣 Jude 儿童研究医院放射科） ； University of California, San Francisco（旧金山大学） ； Department of Pathology and Laboratory Medicine, University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院病理学与实验室医学系） ； Doximity, San Francisco, CA, USA（Doximity公司） ； Department of Medicine, Division of Rheumatology and Immunology, Vanderbilt University Medical Center（范德比尔特大学医学中心医学系风湿病与免疫学科） ； Department of Neurology, Charleston Area Medical Center（查尔斯顿医疗中心神经科） ； Department of Translational Medicine, Scripps Research Translational Institute（斯克里普斯研究转化研究所转化医学系） ； Kaiser Permanente Division of Research（凯撒医疗集团研究部）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 MedArena通过真实临床问题和医生偏好比较LLM，揭示临床实用性与基准性能的差异，强调可读性和临床细节的重要性。
关于理论驱动的LLM代理在多维话语分析中的应用
机构 * Laboratory of The New Ethos, Warsaw University of Technology, Poland（新伦理实验室，华沙理工大学，波兰） ； Faculty of Electronics and Information Technology, Warsaw University of Technology, Poland（电子与信息技术学院，华沙理工大学，波兰）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出一种多代理框架，通过引入显式理论知识提升话语分析中改写策略的识别能力，实验表明理论增强的LLM代理在检测强化和泛化等任务上表现显著优于基线模型，宏F1分数提升近30%。
Comments 8 pages, 4 figures, 3 tables. This is the accepted version of the paper presented at the 18th International Conference on Agents and Artificial Intelligence (ICAART 2026), Marbella, Spain
Journal ref Proceedings of the 18th International Conference on Agents and Artificial Intelligence (ICAART 2026)
改进的图表到代码生成的迭代细化方法：基于结构化指令
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Lehigh University（莱特大学） ； MIFA Lab（MIFA实验室）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出基于结构化指令的ChartIR方法，通过区分视觉理解和代码翻译任务，提升图表到代码生成的性能，实验显示在Qwen2-VL和GPT-4o上表现优异。
CompliantVLA-adaptor：基于视觉-语言模型的变量阻抗控制用于安全的高接触密度操作
机构 * Human-Robot Interfaces and Interaction Lab, Istituto Italiano di Tecnologia, Genoa, Italy（人机交互实验室，意大利理工学院，热那亚，意大利） ； Ph.D. program of national interest in Robotics and Intelligent Machines (DRIM) and Università di Genova, Genoa, Italy（机器人与智能机器国家利益博士项目和热那亚大学，热那亚，意大利） ； Edwardson School of Industrial Engineering, Purdue University, West Lafayette, IN 47907, USA（工业工程埃德华森学校，普渡大学，西拉法克萨，印第安纳州47907，美国） ； Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院，亚特兰大，美国） ； German Research Center for AI, Germany（德国人工智能研究中心，德国） ； TU Darmstadt, Darmstadt, Germany（图宾根大学，图宾根，德国） ； Karlsruhe Institute of Technology, Karlsruhe, Germany（卡尔斯鲁厄理工学院，卡尔斯鲁厄，德国）
专题命中 GUI与屏幕智能体 ：VLM(title,abstract)；vision-language model(abstract)
AI总结 本文提出CompliantVLA-adaptor，通过引入基于视觉语言模型的上下文感知变量阻抗控制，提升接触密集任务的安全性和有效性。方法通过图像和自然语言解读任务上下文，调节阻抗控制器的刚度和阻尼参数，并利用实时力/扭矩反馈确保安全。实验表明在模拟和现实任务中均优于基线方法。
Comments under review
探索视觉语言模型在帮助视障和低视力人士导航中的应用
机构 * Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Politecnico di Milano（米兰理工大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；LLaVA(abstract)；分类 cs.CV、cs.AI
AI总结 本文评估了多种VLMs在基础视觉技能和导航任务中的表现，发现GPT-4o在空间推理和场景理解上表现最佳，而开源模型在复杂环境中存在不足，需进一步改进以提升实用性。
PathGLS: 通过多维一致性评估病理视觉-语言模型无需真实数据
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出PathGLS，一种无需真实数据的病理VLM评估框架，从 grounding、logic 和 stability 三个维度评估模型性能，通过实验验证其在多个数据集上的优越性，显著优于其他方法。
大部分文本，智能视觉：不对称文本-视觉剪枝用于大型视觉-语言模型
机构 * University of Sheffield, UK（英国谢菲尔德大学） ； Tsinghua University, China（清华大学）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV、cs.LG
AI总结 本文提出不对称文本-视觉剪枝方法，通过解耦文本和视觉token的权重，发现文本路径需用文本token校准，视觉路径可实现50%稀疏率，验证了其在多模态基准上的优越性。
Comments CVPR 2026. Code available here: https://github.com/LezJ/ATV-Pruning
不要留下空白：视觉-语言模型中的无幻觉物体遮蔽
机构 * Engineering Division, New York University Abu Dhabi, UAE（纽约大学阿布扎比分校工程系）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 本文提出一种背景一致的物体遮蔽攻击方法，通过重新编码视觉表示使目标物体与背景一致，避免幻觉产生，实验显示其能有效遮蔽目标物体并减少幻觉。
通过推理时的自我反思记忆在多模态大语言模型中实现上下文安全演化
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
专题命中 幻觉与鲁棒性 ：MLLM(abstract,comments)；visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出MM-SafetyBench++基准和EchoSafe框架，通过自反思记忆实现多模态大语言模型的上下文安全演化，实验表明其在安全性能上表现优异。
Comments Accepted at CVPR 2026. Project page: https://echosafe-mllm.github.io
提升局部不变性以增强对抗迁移性
机构 * School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出LI-Boost方法，通过提升对抗扰动的局部不变性来增强模型间对抗迁移性，实验表明其在多种攻击类型上均有效。
Comments Code is available at https://github.com/Trustworthy-AI-Group/TransferAttack
IOSVLM：一种用于从牙科内窥扫描进行统一牙科诊断的3D视觉-语言模型
机构 * ZJU-UIUC Institute, Zhejiang University, Haining, 314400, China（浙大浙ICU研究所，浙江大学，海宁，314400，中国） ； Stomatology Hospital, School of Stomatology, Zhejiang University School of Medicine, Hangzhou, 310058, China（口腔医院，口腔医学院，浙江大学医学院，杭州，310058，中国） ； Angelalign Research Institute, Angel Align Inc., Shanghai, 200011, China（天使对齐研究院，天使对齐公司，上海，200011，中国）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出IOSVLM，一种端到端的3D视觉-语言模型，利用点云表示内窥扫描，并结合大规模多源数据集，提升牙科诊断和生成式视觉问答的性能。
HeBA：异构瓶颈适配器用于鲁棒的视觉-语言模型
机构 * Department of Electrical and Electronic Engineering（电气电子工程系） ； Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV
AI总结 HeBA通过引入模态特定的结构归纳偏置，改进了视觉-语言模型在下游任务中的适应性，提升了稳定性和准确性，达到11个少样本基准的新状态。
面向增材制造场景的红外工业感知的视觉-语言模型
机构 * Department of Mechanical and Aerospace Engineering, Michigan Technological University（机械与航空航天工程系，密歇根技术大学）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV
AI总结 本文提出VLM-IRIS框架，通过预处理红外图像为RGB兼容输入，利用CLIP编码器实现无监督的零样本工作件存在检测，展示了在热成像中的高精度应用。
V-DyKnow：面向视觉语言模型的时间敏感知识动态基准
机构 * Signals and Interactive Systems Lab, University of Trento（信号与交互系统实验室，特伦托大学）
专题命中 VLM训练与架构 ：vision language model(title)；vision-language model(abstract)；分类 cs.AI
AI总结 本文提出V-DyKnow基准，评估视觉语言模型对时间敏感事实知识的处理能力，分析模型响应可靠性、知识更新方法有效性及过时预测原因，揭示当前VLM在多模态时间敏感知识获取与更新中的局限性。
DreamPlan: 通过视频世界模型高效强化微调视觉语言规划器
机构 * USC Physical Superintelligence Lab（USC物理超智能实验室） ； Toyota Research Institute（丰田研究院）
专题命中 VLM训练与架构 ：vision-language model(abstract)；VLM(abstract)；grounding(abstract)
AI总结 DreamPlan通过视频世界模型高效强化微调视觉语言规划器，利用零样本VLM生成探索数据训练动作条件视频生成模型，再通过ORPO在虚拟环境中微调VLM，提升物体 manipulation 成功率。
Diffusion-DRF：免费、丰富且可微的奖励用于视频扩散微调
机构 * Northeastern University（东北大学） ； Snap Inc.（Snap公司）
专题命中 VLM训练与架构 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV
AI总结 本文提出Diffusion-DRF框架，通过多维问题和密集VQA解释查询生成丰富反馈，实现稳定奖励微调，无需偏好数据集。
Comments Webpage: https://snap-research.github.io/diffusion-drf/
SineProject：用于稳定视觉语言对齐的机器反遗忘
机构 * Australian Institute for Machine Learning（澳大利亚机器学习研究所）
专题命中 VLM训练与架构 ：LLaVA(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 SineProject通过在冻结的投影器中加入正弦调制的可训练参数，提升Jacobian的谱条件数，稳定反遗忘过程中的视觉语言对齐，减少无害查询拒绝并实现目标信息遗忘。
Comments Accepted at CVPR 2026
FlowComposer: 用于组合零样本学习的可组合流
机构 * The Hong Kong University of Science and Technology（香港科技大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出FlowComposer，通过学习两个基础流将视觉特征传输到属性和对象文本嵌入，并引入可学习的Composer显式融合速度场以生成组合流，有效解决组合零样本学习中的隐式组合构造和特征纠缠问题。
Comments Accepted to CVPR2026
使分类器具备语义不变性：分析分类器中的语义不变性
机构 * Viterbi Faculty of Electrical and Computer Engineering（电气与计算机工程学院）
专题命中 其他VLM ：vision language model(abstract)；分类 cs.CV
AI总结 本文提出SING方法，通过构建等价图像并赋予语义解释，揭示分类器中语义不变性，分析不同模型在保持语义方面的差异。
Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
融合理解与生成的交错分析-草稿思维
机构 * National University of Singapore（国立新加坡大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； Microsoft Research（微软研究院）
专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出AD-Loop机制，通过交错分析与草稿操作提升视觉语言模型的理解与生成能力，实验表明其在多个基准测试中表现优异，具备良好的迁移性。
Comments 28 pages, 17 figures, 6 tables, ICLR conference
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈