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。
基于提示的VLM图像压缩预过滤
机构 * School of Engineering Science, Simon Fraser University（西蒙菲莎大学工程科学学院）
专题命中 视觉问答 ：VLM(title,abstract)；vision-language model(abstract)；visual question answering(abstract)；分类 cs.AI
AI总结 本文提出一种轻量级、即插即用的提示引导预过滤模块，用于识别图像中与文本提示最相关的区域，从而提升VLM图像压缩效率，实验显示在保持任务准确性的同时实现25-50%的平均比特率降低。
Comments 7 pages, 5 figures. Accepted to IEEE ICME 2026. Code: https://github.com/bardia-az/pgp-vlm-compression
基于证据的关键帧采样用于基于MLLM的长视频理解
机构 * Duke University（杜克大学） ； Independent Researcher（独立研究员）
专题命中 视觉问答 ：MLLM(title)；multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出基于信息瓶颈理论的证据驱动关键帧采样框架，通过最大化选帧与查询的条件互信息，提升长视频理解性能，实验表明在严格token预算下优于现有方法。
KG-CMI: 基于知识图谱的跨Mamba交互用于医学视觉问答
机构 * School of Software, Northwestern Polytechnical University（西北工业大学软件学院） ； Tianjin Central Hospital of Gynecology Obstetrics（天津市中心妇产科医院） ； Department of Computer Science and Information Technology, La Trobe University（拉筹伯大学计算机科学与信息技术系） ； CSIRO Data61（澳大利亚联邦科学与工业研究组织Data61） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； School of Computer Software, Tianjin University（天津大学计算机软件学院） ； Centre for Artificial Intelligence driven Drug Discovery, Faculty of Applied Science, Macao Polytechnic University（澳门理工大学应用科学学院人工智能驱动药物发现中心） ； Department of Cardiology, Tianjin Chest Hospital（天津市胸科医院心内科）
专题命中 视觉问答 ：visual question answering(title,abstract)；分类 cs.CV
AI总结 本文提出KG-CMI框架，通过整合医学知识图谱提升医学视觉问答的准确性与多样性，实验表明其在三个数据集上表现优于现有方法。
SurgTEMP：基于文本引导的视觉记忆的时序感知手术视频问答系统用于腹腔镜胆囊切除术
机构 * University of Strasbourg（斯特拉斯堡大学） ； CNRS（法国国家科学研究中心） ； INSERM（法国国家健康与医学研究院） ； ICube, UMR7357（ICube实验室，UMR7357）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 SurgTEMP通过文本引导的视觉记忆和时序感知模块，提升手术视频问答的性能，其核心方法是构建层次化的视觉记忆并采用手术能力进步训练方案，从而在复杂手术场景中实现更准确的问答与评估。
Comments 29 pages, 14 figures, 9 tables
BigEarthNet.txt: 一个大规模多传感器图像-文本数据集和地球观测基准
机构 * BIFOLD（柏林智能数据与机器学习研究所） ； Technische Universität Berlin（柏林工业大学） ； University of Trento（特伦托大学） ； National Technical University（雅典国家技术大学） ； National Observatory of Athens（雅典国家天文台）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 本文提出BigEarthNet.txt，一个大规模多传感器图像-文本数据集，用于提升地球观测中的指令驱动图像-文本学习，包含9.6M文本注释，涵盖土地利用/覆盖类、空间关系及环境背景描述，通过对比分析证明其在文本丰富性和注释类型多样性上的优势。
Comments For details, see https://txt.bigearth.net
空间推理并非免费午餐：对LLaVA的受控研究
机构 * Cohere Labs Community（Cohere Labs社区） ； Indian Institute of Science, Bangalore（印度科学研究所班加罗尔分校） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Imperial College London（伦敦帝国学院） ； Eisai Inc.（卫材公司） ； EleutherAI ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉推理 ：LLaVA(title,abstract)；vision-language model(abstract)；VLM(abstract)；grounding(abstract)
AI总结 本文通过LLaVA框架探讨了空间推理能力不足的原因，发现图像编码器设计和位置编码结构对空间理解有显著影响，但无法完全解决空间推理问题。
Comments Accepted as a poster at ICLR 2026 workshop ICBINB, typo fixed
CodeDance: 一种动态集成工具的多模态大语言模型用于可执行视觉推理
机构 * Beihang University（北京航空航天大学） ； Westlake University（西湖大学） ； ByteDance Singapore（字节跳动新加坡） ； ByteDance China（字节跳动中国）
专题命中 视觉推理 ：visual reasoning(title,abstract)；MLLM(title)；分类 cs.CV
AI总结 CodeDance通过可执行代码实现视觉推理，结合多工具协作与自检机制，提升复杂任务的灵活性和可解释性，实验显示其在多个基准测试中优于现有方法。
Comments CVPR 2026. Project page: https://codedance-vl.github.io/
一种用于无训练代理推理的4D表示
机构 * Computer Aided Medical Procedures, TU Munich（慕尼黑工业大学计算机辅助医疗程序研究所） ； Hospital of the LMU Munich, Ludwig-Maximilians-Universität (LMU)（慕尼黑大学医院） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；multimodal large language model(abstract)；MLLM(abstract)
AI总结 本文提出一种基于显式4D表示的框架，利用多模态大语言模型实现无训练的手术代理推理，提升时空理解能力。
一种用于胸部X光解读的推理增强视觉-语言基础模型
专题命中 视觉推理 ：vision-language model(abstract)；visual question answering(abstract)；grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 CheXOne模型通过生成诊断预测和临床依据的推理轨迹，提升胸部X光解读的可解释性与准确性，在多个评估任务中表现优异。
Comments Codes: https://github.com/YBZh/CheXOne Models: https://huggingface.co/StanfordAIMI/CheXOne
所有道路通向罗马：激励视觉-语言模型的发散性思维
机构 * Australian National University（澳大利亚国立大学） ； Shanghai AI Lab（上海人工智能实验室） ； GE Research（通用电气研究院）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 本文研究了强化学习在视觉-语言模型中激发发散性思维的机制，提出MUPO方法以解决GRPO的多样性崩溃问题，提升模型的多样性和可扩展性。
Comments Accepted to CVPR2026
面向知识增强视觉推理的自动足球解说生成
机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出GameSight模型，通过视觉推理与知识增强生成更准确的足球解说，提升解说质量与上下文相关性。
Comments Accepted by ICME 2026
真正的（视觉）谎言：分析生成式AI如何识别意图性、修辞和误导性在可视化谎言中
机构 * Sapienza University of Rome（罗马大学） ； Link Campus University（Link Campus大学）
专题命中 视觉推理 ：LLaVA(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文研究多模态大语言模型识别和解释误导性可视化的能力，并通过2336条新冠相关推文数据集分析其识别原因和潜在意图性，评估16种前沿模型并对比人类专家行为。
儿童智力测试对大语言模型构成挑战？KidGym：一种基于二维网格的推理基准测试用于大语言模型
机构 * ShanghaiTech University（上海科技大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.AI
AI总结 本文提出KidGym，一种基于二维网格的推理基准测试，用于评估大语言模型的执行、感知推理、学习、记忆和规划能力，通过12个独特任务测试模型适应性和发展潜力，揭示当前模型的局限性。
Comments Accepted at ICLR 2026
PReD：基于大语言模型的电磁感知、识别与决策基础多模态模型
机构 * Tsinghua University（清华大学） ； National University of Defense Technology（国防科技大学） ； Beihang University（北京航空航天大学） ； Tianjin University（天津大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； The Hong Kong University of Science and Technology（香港科技大学） ； Civil Aviation University of China（中国民航大学） ； Beijing Institute of Technology（北京理工大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出PReD，首个电磁领域基础模型，涵盖感知、识别与决策闭环，构建高质量多任务电磁数据集和评估基准，通过多阶段训练策略提升电磁领域能力，实验显示在PReD-Bench上达到最佳性能。
RoboClaw：一个用于可扩展长周期机器人任务的代理框架
机构 * AgiBot ； National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） ； MoE Key Lab of Artificial Intelligence, AI Institute, SJTU（上海交通大学人工智能研究院教育部人工智能重点实验室）
专题命中 视觉推理 ：VLM(abstract)；分类 cs.AI
AI总结 RoboClaw通过统一数据收集、策略学习和任务执行，提高长周期机器人任务的稳定性和可扩展性，减少人工干预，提升多策略鲁棒性。
Comments Code available at: https://github.com/RoboClaw-Robotics/RoboClaw
首个Logit提升：一种缓解大视觉-语言模型中物体幻觉的视觉 grounding 方法
机构 * DGIST EECS（大邱庆北科学技术院电子工程与计算机科学系）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出FLB方法，通过存储首个生成token的logit并加到后续预测中，缓解大视觉-语言模型中的长期衰减问题，有效减少物体幻觉并保持视觉信息。
Comments 19 pages, 13 figures
通过MLLM驱动的感知、通信与计算推进多机器人网络：综述
机构 * Seoul National University（首尔大学） ； Ajou University（亚洲大学） ； Sungkyunkwan University（成均馆大学） ； Korea University（高丽大学） ； POSTECH（浦项科技大学） ； Stony Brook University（石溪大学）
专题命中 视觉定位与Grounding ：MLLM(title,abstract)；grounding(abstract)；multimodal large language model(abstract)
AI总结 本文综述了MLLM指导下的多机器人协调，探讨了集成设计对多机器人协作的影响，展示了四种端到端演示，强调了系统级指标的重要性。
VLM-in-the-Loop：一种用于心电图数字化流程的插件质量保证模块
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视觉定位与Grounding ：VLM(title,abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出VLM-in-the-Loop模块，通过闭环VLM反馈提升心电图数字化流程质量，显著提高判定一致性与保真度，适用于多种后端系统，实现高质量心电图数字化。
VMAD：视觉增强的多模态大语言模型用于零样本异常检测
机构 * University of Science and Technology of China（中国科学技术大学） ； Northeastern University（东北大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；MLLM(abstract)；分类 cs.CV
AI总结 VMAD通过结合视觉信息与多模态大语言模型，提升零样本异常检测的精度与分析能力，提出缺陷敏感结构学习和局部增强令牌压缩等方法，结合RIAD数据集验证了其有效性。
RegFormer：可转移的交互关系接地以实现高效的弱监督人类-物体交互检测
机构 * KAIST（韩国科学技术院） ； LG Energy Solution（LG新能源） ； Korea University（高丽大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 RegFormer通过空间接地信号实现高效的弱监督人类-物体交互检测，无需额外训练即可直接迁移至实例级推理，实验表明其在效率和性能上均优于传统方法。
Comments Accepted at CVPR2026
跨模态代理演化用于领域外检测与视觉-语言模型
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；分类 cs.CV
AI总结 本文提出CoEvo框架，通过双向样本条件适应文本和视觉代理，动态挖掘上下文文本负样本并迭代优化视觉代理，提升跨模态对齐和领域外检测鲁棒性。
Comments Accepted by AAAI 2026
基于多尺度跨模态表示学习的对象 affordance 识别与定位
机构 * National University of Defense Technology（国防科技大学） ； ShanghaiTech University（上海科技大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 本文提出一种新的方法，通过学习 affordance 意识的 3D 表示和分阶段推理策略，解决对象 affordance 定位与分类任务中的依赖关系建模问题，提升识别效果。
关于空间的交流：通过语言介导的空间整合跨部分视图
机构 * Mila – Quebec AI Institute（Mila – 魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； IIIT Hyderabad（海得拉巴国际信息技术学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 研究探讨多模态大语言模型能否通过对话整合不同视角，发现其在识别共享锚点物体上表现较好，但在关系推理和全局地图构建上存在不足。
HippoCamp：在个人电脑上对上下文代理进行基准测试
机构 * S-Lab, Nanyang Technological University, Singapore（新加坡南洋理工大学S-Lab）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 HippoCamp是一个新的基准，用于评估代理在多模态文件管理中的能力，通过用户为中心的环境建模个体用户档案并搜索大规模个人文件进行上下文感知推理，揭示了当前代理在真实环境中的局限性。
Comments Project Page: https://hippocamp-ai.github.io/
为Florence-2设计的ROS 2封装器：面向机器人系统的多模式本地视觉语言推断
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 本文提出一个ROS 2封装器，实现Florence-2模型的三种交互模式，支持本地部署和容器化运行，验证了消费级硬件在视觉语言任务中的可行性。
Comments 5 pages, 1 figure
第五届PVUW MeViS-Text挑战赛第一名：强多模态大语言模型与SAM3的结合用于指代视频对象分割
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出一种无需微调的管道，结合强多模态大语言模型与SAM3，实现视频对象分割，取得PVUW 2026 MeViS-Text测试集第一名，得分为0.909064。
Comments 1st Place Solution for the 5th PVUW MeViS-Text Challenge (CVPR 2026 Workshop)
Q-REAL：迈向AI生成内容真实性和可信度评估
机构 * Shanghai Jiao Tong University（上海交通大学） ； Meituan（美团） ； Shanghai AI Lab（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文提出Q-REAL数据集，用于细粒度评估AI生成图像的真实性和可信度，通过标注实体位置和设计判断问题，提升生成模型性能。
面向在线多模态社交交互理解
机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 视觉定位与Grounding ：VLM(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出在线多模态社交交互理解问题，通过历史信息实现多模态社交交互理解，采用多模态大语言模型框架，引入多对话者预测和社交感知视觉提示，实现三个任务的最优性能。
Comments Accepted to Transactions on Machine Learning Research (TMLR). Project page: https://sampson-lee.github.io/online-mmsi-project-page
MotionGrounder: 通过扩散变换器实现多物体运动迁移
机构 * School of Electrical Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院电气工程学院） ； Adobe Research（Adobe研究院） ； CMLab, Chung-Ang University（中央大学CMLab）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出MotionGrounder，一种基于扩散变换器的多物体运动迁移框架，通过流式运动信号和对象-描述对齐损失实现稳定运动先验和空间对齐，实验显示其在定量、定性和人类评估中均优于现有方法。
Comments Please visit our project page at https://kaist-viclab.github.io/motiongrounder-site/
通过跟踪增强提示推进复杂视频对象分割：第五届PVUW MOSE挑战赛第一名
机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Shenzhen Loop Area Institute, China（深圳市环区研究所）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出TEP方法，通过跟踪增强提示解决SAM3在处理小目标和语义主导对象时的不足，取得PVUW挑战赛优异成绩。
Comments 1st Place Solution for the 5th PVUW MOSE Challenge (CVPR 2026 Workshop)
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