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。
HORNet：基于任务引导的帧选择用于视觉语言模型的视频问答
机构 * Northeastern University（东北大学）
专题命中 视觉问答 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV
AI总结 HORNet通过轻量级策略优化，显著减少视频输入帧数和VLM处理时间，同时提升问答质量与时间推理任务表现。
TAU-R1：用于交通异常理解的视觉语言模型
机构 * University of Bath（巴斯大学） ； University of Washington（华盛顿大学） ； City of Carmel, Indiana（印第安纳州卡迈尔市） ； Starwit GmbH
专题命中 视觉问答 ：visual language model(title)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出TAU-R1模型，通过两层框架提升交通异常识别与推理能力，结合定制化训练策略与数据集，实现高效部署。
VTC-Bench：通过组合视觉工具链评估代理多模态模型
机构 * PKU（北京大学） ； NTU（国立台湾大学） ； USTC（中国科学技术大学） ； CQU（重庆大学） ； NUDT（南京理工大学） ； CASIA（中国科学院自动化研究所） ； Meituan（美团）
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 VTC-Bench通过组合视觉工具链评估多模态大语言模型的工具使用能力，揭示了当前模型在复杂任务中适应性和多工具组合方面的不足。
寻找通用短语语言理解解决方案
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Dolby Laboratories（杜比实验室）
专题命中 视觉问答 ：vision-language model(abstract)；VLM(abstract)；分类 cs.LG
AI总结 本文提出SLU-SUITE框架，通过49万人工标注数据揭示VLM在SLU任务中的瓶颈，提出UniShot和AgentShots两种通用解决方案，实验显示在领域内任务优于专用模型，在领域外任务超越商业VLM。
Insight-V++: 向多模态大语言模型实现高级长链视觉推理迈进
机构 * S-Lab（S实验室） ； Nanyang Technological University（南洋理工大学） ； Tencent Hunyuan（腾讯文言） ； Tsinghua University（清华大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；multimodal large language model(title)；LLaVA(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出Insight-V++框架，通过多代理视觉推理系统提升多模态大语言模型的长链视觉推理能力，采用ST-GRPO和J-GRPO算法增强空间时间推理和评估鲁棒性，实验显示在图像和视频推理任务中性能显著提升。
Comments arXiv admin note: text overlap with arXiv:2411.14432
计数电路：大视觉-语言模型中视觉推理的机制可解释性
机构 * Rutgers University（罗格斯大学） ； UC Santa Barbara（加州大学圣巴巴拉分校） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院）
专题命中 视觉推理 ：vision-language model(title,abstract)；visual reasoning(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文研究了大视觉-语言模型在计数任务中的机制，提出两种新方法揭示计数电路结构，并通过干预策略提升模型计数精度和视觉推理能力。
MultihopSpatial: 用于视觉语言模型的多跳组合空间推理基准
机构 * Electronics and Telecommunications Research Institute, South Korea（韩国电信研究院） ； Korea Advanced Institute of Science and Technology, South Korea（韩国科学技术院） ； Sungkyunkwan University, South Korea（成均馆大学） ； DeepAuto, South Korea（DeepAuto）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MultihopSpatial基准，针对多跳组合空间推理问题，引入Acc@50IoU指标，并通过大规模训练集提升视觉语言模型的空间推理能力。
Comments Project page: https://youngwanlee.github.io/multihopspatial
TerraScope：基于像素的视觉推理用于地球观测
机构 * University of Trento（特伦托大学） ； BIFOLD and TU Berlin（BIFOLD和柏林技术大学） ； Technical University of Munich（慕尼黑技术大学） ； MBZUAI
专题命中 视觉推理 ：visual reasoning(title)；vision-language model(abstract)；VLM(abstract)；grounding(abstract)
AI总结 TerraScope通过模态灵活推理和多时序推理，提升地球观测中像素级空间推理能力，提出Terra-CoT数据集和TerraScope-Bench基准，验证其在像素级地理空间推理中的优越性。
Comments Accepted by CVPR20206 (Main Track)
模拟到规则：一个双VLM框架用于正式视觉规划
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
专题命中 视觉推理 ：VLM(title,abstract)；vision language model(abstract)；分类 cs.AI
AI总结 本文提出VLMFP框架，结合SimVLM和GenVLM实现自动生成PDDL问题和领域文件，提升视觉规划的精确性和泛化能力。
Comments 40 pages, 6 figures, 13 tables
CrossHOI-Bench: 一个统一的HOI评估基准，涵盖视觉-语言模型和特定HOI方法
机构 * National University of Singapore（新加坡国立大学） ； University of Mississippi（密西西比大学） ； ASUS Intelligent Cloud Services（ASUS智能云服务）
专题命中 视觉推理 ：vision-language model(title)；分类 cs.CV
AI总结 本文提出CrossHOI-Bench，通过显式正例和 curated 负例，统一评估VLM和HOI方法，揭示两者在多任务和细粒度交互上的互补优劣。
Comments Accepted by CVPR 2026
GSMem: 3D高斯溅射作为持久空间记忆用于零样本具身探索与推理
机构 * Case Western Reserve University（凯斯西储大学） ； Spatial AI & Robotics (SAIR) Lab, University at Buffalo（布法罗大学空间人工智能与机器人实验室）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV
AI总结 本文提出GSMem框架，利用3D高斯溅射构建持久空间记忆，解决具身探索中空间知识遗忘问题，通过检索机制与混合探索策略提升视觉语言模型推理效果。
Comments Project page at https://vulab-ai.github.io/GSMem/
注意罕见病：罕见皮肤疾病能否通过诊断推理可靠诊断？
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Australian National University（澳大利亚国立大学） ； University of Western Australia（西澳大学） ； POSTECH ； Yale University（耶鲁大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出DermCase基准，通过多模态数据评估罕见皮肤疾病诊断推理能力，揭示现有模型在诊断准确性和临床推理中的不足。
HopChain: 多跳数据合成用于通用视觉语言推理
机构 * Qwen Team, Alibaba Inc.（通义实验室，阿里巴巴公司） ； LeapLab, Tsinghua University（清华大学跃迁实验室）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出HopChain框架，通过多跳视觉语言推理数据合成提升VLMs的通用推理能力，实验表明其在多个基准测试中显著提升性能。
Comments 28 pages, 8 figures, 2 tables
SwiftTailor: 基于几何图像表示的高效3D服装生成
机构 * Qualcomm AI Research（高通AI研究） ； Trinity College Dublin（都柏林大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出SwiftTailor框架，通过紧凑的几何图像表示统一缝纫图案推理与几何网格合成，提升3D服装生成的效率与精度。
Comments CVPR 2026
通过构造进行思考：一种用于视觉-文本交错几何推理的基准和策略优化
机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； School of ECE, Peking University（北京大学电子工程学院） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） ； Tencent Youtu Lab（腾讯优图实验室）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出GeoAux-Bench基准和A2PO策略优化框架，通过交错视觉-文本辅助工具提升几何推理性能，实验表明有效构造能降低推理困惑度，使MLLMs在选择性辅助构造上获得3.51%的提升。
跨领域演示到代码的神经符号反事实推理
机构 * Department of Computer Science and Engineering, Sungkyunkwan University（Sungkyunkwan 大学计算机科学与工程系）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 本文提出NeSyCR框架，通过神经符号反事实推理解决跨领域机器人编程中的过程不匹配问题，提升任务成功率31.14%。
Comments Accepted at CVPR 2026
MERGE：面向人类机器人交互中多主体事件推理与 grounding 的引导视觉-语言模型
机构 * Honda Research Institute Europe（本田欧洲研究院） ； Honda Research Institute USA（本田美国研究院）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(title,abstract)；VLM(abstract)
AI总结 MERGE 通过引导视觉语言模型实现动态人类机器人交互中多主体事件的推理与 grounding，提升 situational awareness 与效率，基于 GROUND 数据集验证其性能提升。
含义与测量：多智能体概率性视觉语言导航
机构 * Arizona State University（亚利桑那州立大学） ； Haverford College（哈弗福德学院）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出MAPG框架，通过分解语言查询并利用VLM进行语义 grounding，解决复杂度量-语义语言查询的难题，同时引入MAPG-Bench评估指标，展示在现实机器人中的应用效果。
Comments Equal contribution: Swagat Padhan and Lakshya Jain, 9 pages, 6 figures, paper website: https://lakshya-asu.github.io/Meanings-Measurements-Multi-Agent-Probabilistic-Grounding/
GoalVLM: 多智能体系统中基于视觉语言模型的目标导航
机构 * Intelligent Space Robotics Laboratory（智能空间机器人实验室） ； Center for Digital Engineering（数字工程中心） ； Skolkovo Institute of Science and Technology（斯克尔科夫科学与技术研究所）
专题命中 视觉定位与Grounding ：VLM(title,abstract)；vision-language model(abstract)
AI总结 本文提出GoalVLM，一种基于视觉语言模型的多智能体零样本开放词汇目标导航框架，通过整合SAM3和SpaceOM实现语义优先级探索，无需重新训练即可完成复杂目标导航任务。
Comments 8 pages, 5 figures
重新思考MLLM本身作为分割器：仅用一个分割标记
机构 * Beijing Institute of Technology（北京理工大学） ； University of Birmingham（伯明翰大学） ； Beijing Jiaotong University（北京交通大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
专题命中 视觉定位与Grounding ：MLLM(title,abstract)；分类 cs.CV
AI总结 本文提出SELF1E方法，通过保留原始图像分辨率并利用残差特征提升分割精度，无需外部解码器即可实现与专业解码器相当的分割性能。
Comments Paper is accepted by CVPR 2026
在体育指导中学习相关任务之间的一致时间定位
机构 * University of Pittsburgh, Pittsburgh PA 15260, USA（匹兹堡大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 本文提出通过自一致性目标改进时间定位，利用相关任务共享帧的关注机制，在三个体育指导任务中提升准确率和BERTScore。
代理流引导与并行展开搜索用于空间感知的文本到图像生成
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract)；grounding(abstract)；分类 cs.AI
AI总结 本文提出AFS-Search框架，通过闭合环路机制和空间感知引导提升文本到图像生成的精度与效率，实现性能和速度的双重优化。
ICE：基于统计基础的LLM干预一致解释评估
机构 * Indian Institute of Information Technology, Allahabad（印度阿勒颇信息学院） ； National Institute of Electronics and Information Technology（电子与信息技术国家研究院）
专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.AI、cs.LG
AI总结 本文提出ICE框架，通过多干预操作比较解释与随机基线，发现解释一致性依赖于干预操作，且不同语言模型在不同任务上的表现存在显著差异，揭示了模型与语言之间的复杂交互。
视觉语言模型需要视觉变换器吗？评估状态空间模型作为视觉编码器
机构 * Stony Brook University（石英 Brook 大学）
专题命中 视觉定位与Grounding ：VLM(abstract,comments)；grounding(abstract)；分类 cs.CV、cs.LG
AI总结 本文评估了状态空间模型作为视觉编码器在视觉语言模型中的有效性，发现其在VQA和定位任务中表现优异，并提出稳定策略提升鲁棒性。
Comments Project page: https://lab-spell.github.io/vlm-ssm-vision-encoders/ ; Code: https://github.com/raykuo18/vlm-ssm-vision-encoders
AsgardBench -- 评估基于视觉的交互式规划在最小反馈下的表现
机构 * Microsoft（微软）
专题命中 视觉定位与Grounding ：vision language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 AsgardBench旨在评估基于视觉的高阶动作序列生成和交互式规划，重点在于执行过程中基于视觉观察而非导航或低级操作的计划适应。通过限制代理输入为图像、动作历史和轻量级成功/失败信号，该基准测试强调条件分支和计划修复。
Comments 19 figures, 6 tables, including appendix
MedMASLab：多模态医疗多智能体系统的统一协调框架
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； vivo ； Stanford University（斯坦福大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.AI
AI总结 本文提出MedMASLab框架，解决医疗多智能体系统中多模态整合碎片化问题，通过标准化通信协议、自动化评估器和大规模基准测试，揭示领域特定性能差距，为未来自主临床系统建立新基准。
基于假设的查询重写用于决策有用的检索
机构 * Graduate School of AI, KAIST, Republic of Korea（韩国科学技术院人工智能研究生院） ； School of Electrical Engineering, KAIST, Republic of Korea（韩国科学技术院电气工程学院） ； Department of Industrial Engineering, Yonsei University, Republic of Korea（延世大学工业工程系）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出HCQR框架，通过重写查询获取证据支持假设、区分替代方案和验证关键线索，提升检索与答案选择的对齐度，实验表明在MedQA和MMLU-Med上优于传统RAG方法。
MRD：多分辨率检索-检测融合用于高分辨率图像理解
机构 * HITSZ（哈尔滨工业大学）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MRD框架，通过多分辨率语义融合和开放词汇检测提升高分辨率图像理解，实现局部和全局视角的增强，取得单目标和多目标理解任务的最先进性能。
Comments Accepted to CVPR 2026
无视位置，语言偏见：探测视觉语言编码器中中间层表征偏见以实现零样本语言基础空间理解
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Samsung Electronics（三星电子）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 研究探讨了视觉语言编码器中间层中位置和语言相关信息的偏见，通过层间分析发现常规最终层多模态嵌入优先考虑全局语义对齐，导致视觉嵌入对位置线索敏感性低，多语言文本嵌入在共享空间中形成语言依赖的几何偏移，提出构建空间地图的方法提升零样本图像分割性能。
Comments 61 pages, 28 Figures, 15 Tables
SignAgent：用于语言学基础的手语标注和数据集整理的代理LLM
机构 * Centre for Vision, Speech and Signal Processing（视觉、语音和信号处理中心）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出SignAgent，一种利用大语言模型进行可扩展、语言学基础的手语标注和数据集整理的新框架。通过SignAgent协调器和SignGraph，解决传统方法和手动标注的瓶颈，实现大规模语言感知数据标注。
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