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。
预测正则化对抗多模态大语言模型中的视觉表征退化
机构 * NKIARI ； VCIP, CS, Nankai University（VCIP计算机科学系，南开大学） ； AAIS, Nankai University（AAIS，南开大学） ； Tencent Youtu Lab（腾讯优设实验室）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；MLLM(abstract)；分类 cs.CV、cs.LG
AI总结 本文研究多模态大语言模型中的视觉表征退化问题，提出预测正则化方法以维持视觉表征，提升视觉语言性能。
Comments Accepted at CVPR 2026
空间中的注意：VLM头部在空间推理中的功能角色
机构 * The University of Melbourne（墨尔本大学） ； Australian National University（澳大利亚国立大学） ； Fudan University（复旦大学） ； Monash University（莫纳什大学）
专题命中 视觉推理 ：VLM(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文研究VLM中注意力头部在空间推理中的作用，通过机制可解释性视角分析其功能，提出CogVSR数据集并开发探针框架，揭示注意力头部在空间推理中的稀疏性和关键作用。
视觉-语言模型在物理动态和意图推理上仍逊于人类表现
机构 * East China Normal University（东华大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； University of Agder（阿格德大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出Teleo-Spatial Intelligence（TSI）以连接时空变化与目标导向结构，通过EscherVerse大规模开放世界资源评估，发现视觉-语言模型在开放世界中仍无法达到人类水平的意图推理能力。
通过领域感知的层选择理解视觉-语言模型中的剪枝规则
机构 * Microsoft AI（微软人工智能）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 研究通过领域感知激活相似性分析，揭示视觉-语言模型中不同剪枝预算下层移除对性能的影响，发现三种剪枝规则：低预算下性能敏感，中预算下结构损伤累积，高预算下结构连续性主导。
MARCUS：一种用于心脏诊断和管理的代理式多模态视觉-语言模型
机构 * Division of Cardiology, Department of Medicine, Stanford University（斯坦福大学心脏病学系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Department of Medicine, Radiology, and Pediatrics, UCSF（旧金山大学医学系、放射学与儿科学系） ； Bakar Institute, UCSF（Bakar研究所，旧金山大学） ； UCSF–UC Berkeley Joint Program in Computational Precision Health（旧金山大学-伯克利计算精准健康联合计划） ； Department of Radiology, Stanford University（斯坦福大学放射学系） ； Department of Psychiatry and Behavioral Sciences, Stanford University（斯坦福大学精神病学与行为科学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Biology, Stanford University（斯坦福大学生物学系）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.AI
AI总结 MARCUS通过多模态视觉-语言模型实现心电图、超声和心脏磁共振成像的端到端解读，其多代理架构在心脏诊断中表现出优于前沿模型的准确率和自由文本质量。
心灵超越空间：多模态大语言模型能否进行心理导航？
机构 * Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院） ； Dept. of Comp. Sci. and Tech., Institute for AI, Tsinghua-Bosch Joint ML Center, THBI Lab, BNRist Center, Tsinghua University（清华大学-博世联合机器学习中心、THBI实验室、BNRist中心、清华大学计算机科学与技术系） ； School of Automation Science and Electrical Engineering , Beihang University（北京航空航天大学自动化科学与电气工程学院） ； college of AI, Tsinghua University（清华大学人工智能学院） ； Department of Computer Science and Technology , Tsinghua University（清华大学计算机科学与技术系）
专题命中 视觉推理 ：multimodal large language model(title)；分类 cs.AI
AI总结 本文提出Video2Mental基准测试，评估多模态大语言模型的空间导航能力，发现标准预训练模型无法自然生成空间表示，NavMind通过显式认知地图提升导航性能。
LEO-VL：面向可扩展3D视觉-语言学习的高效场景表示
机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） ； School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； Department of Automation, Tsinghua University（清华大学自动化系）
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LEO-VL，一种基于高效场景表示CFG的3D视觉-语言模型，通过改进训练数据和引入SceneDPO提升鲁棒性，在多个3D-VL基准测试中取得最佳性能。
Comments Project page: https://leo-vl.github.io
AcoustEmo：通过语句感知的声学Q-Former实现开放词汇情绪推理
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)
AI总结 AcoustEmo通过引入语句感知的声学Q-Former，利用时间同步滑动窗口提取段级音频token，提升复杂情绪推理能力，在EMER任务中优于基线模型。
Comments 6 pages
3D-Layout-R1: 为语言指导的空间编辑进行结构化推理
机构 * NVIDIA ； UMass Amherst（马萨诸塞大学阿默斯特分校）
专题命中 视觉推理 ：vision language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一种结构化推理框架，通过场景图推理实现文本条件下的空间布局编辑，提升空间关系的可解释性和控制性，并在布局编辑基准测试中取得显著改进。
P-Flow：提示视觉效果生成
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 P-Flow通过测试时提示优化，基于参考视频与生成输出的视觉效果差异，迭代改进提示，实现高保真且多样化的动态视觉效果定制。
重新审视通过配对亲和学习的弱监督视频场景图生成
机构 * Yonsei University（延世大学） ； LG Electronics（LG电子）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 本文通过引入可学习的配对亲和力，改进弱监督视频场景图生成，利用配对亲和学习和调节，提升关系模型的准确性，实验表明在Action Genome上取得最优性能。
Comments 28 pages, 11 figures
GenAI-DrawIO-Creator：自动化图表生成的框架
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出GenAI-DrawIO-Creator框架，利用大语言模型实现基于XML的图表自动生成与修改，通过高级系统设计和提示工程提升XML输出质量，展示原型能从自然语言或代码生成准确图表，并通过模拟评估证明其在图表创建效率和结构精度上的优势。
面向可扩展多模态推理的推理对齐感知解耦
机构 * Southern University of Science and Technology（南方科技大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Huawei Cloud Project（华为云项目）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV
AI总结 本文提出RAPID方法，通过解耦多模态模型的感知与推理模块，利用强化学习优化感知输出，使模型能与任意强大文本推理模型配合，实现无需重新训练的性能提升。
Comments ICLR 2026
从50%到精通：一种低资源SOP，通过影子RAG本地化研究生级AI导师
机构 * School of Mechanics and Engineering Science, Peking University, Beijing, 100871, China（北京理工大学机械与工程科学学院） ； Readraft Intelligent Technology Co., Ltd., China（读raft智能科技有限公司） ； Graduate School of Education, Peking University, Beijing, 100871, China（北京大学教育学院） ； AI for Science Institute, Beijing, 100080, China（AI for Science研究院）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 本文提出一种低成本SOP，利用影子RAG架构和数据清洗策略，在3人天内本地化研究生级AI导师，使32B模型性能从74%提升至90%。
Comments 9 pages, 3 figures, practitioner report
AEGIS：从线索到结论——通过辩证法和元审计的图引导深度漏洞推理
机构 * NC State University（北卡罗来纳州立大学） ； University of Alberta（阿尔伯塔大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 AEGIS通过图引导的深度漏洞推理，结合辩证法和元审计，解决LLM推理不严谨的问题，实现从线索到结论的验证，提升漏洞检测的准确性与可靠性。
Comments 29 pages, 6 figures, 3 tables
GIR-Bench：用于生成图像的多功能基准
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； Xiaohongshu Inc.（小红书公司）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV
AI总结 本文提出GIR-Bench，从理解-生成一致性、文本到图像生成和多步骤编辑三个角度评估统一模型，揭示其在复杂视觉任务中的表现与不足。
Comments ICLR2026
智能下放：探索小型多模态模型中感知与推理的瓶颈
机构 * Stanford University（斯坦福大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 本文研究小型多模态模型中感知与推理能力的瓶颈，通过分析LLM容量下降对多模态能力的影响，提出视觉提取调优方法，提升效率与性能。
Comments CVPR 2026, website at https://web.stanford.edu/~markendo/projects/downscaling_intelligence
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