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。
机器人崩溃：针对基于VLM的机器人操控的供应链后门攻击
机构 * City University of Hong Kong（香港城市大学） ； Huazhong University of Science and Technology（华中科技大学） ； Beihang University（北京航空航天大学） ； Griffith University（格里菲斯大学）
专题命中 VLM训练与架构 ：VLM(title,abstract)；vision-language model(abstract)；分类 cs.AI
AI总结 本文提出TrojanRobot框架，通过在模块化机器人策略中嵌入恶意模块，操控LLM到VLM路径，验证了在18个真实任务和4个VLM上的优越性。
长尾分布感知的混合专家路由器：用于大规模视觉-语言模型的混合专家架构
机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Electronic and Information, Shanghai Dianji University（上海电机学院电子信息学院）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 本文提出LTDR路由器，针对视觉-语言混合专家架构中的长尾分布问题，通过模态特定的分布感知路由和动态专家激活策略，提升模型性能。
即兴、适应、克服——用于医疗影像中视觉语言模型高效微调的望远镜适配器
机构 * Centre for Artificial Intelligence and Robotics, Indian Institute of Technology Mandi（印度理工学院曼迪分校人工智能与机器人中心）
专题命中 VLM训练与架构 ：vision language model(title)；分类 cs.CV、cs.AI
AI总结 本文提出望远镜适配器，通过深度感知缩放提升视觉语言分割模型在医疗影像中的微调效率，仅用613k参数在五个数据集上取得优异性能。
Comments Accepted at the IEEE/CVF winter conference on applications of computer vision (WACV 2026)
VLMs在天空与空间之间迷失了吗？LinkS$^2$Bench用于无人机-卫星动态跨视角空间智能
机构 * Xidian University（西安电子科技大学） ； Qinghai Normal University（青海师范大学） ； Sun Yat-sen University（中山大学）
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LinkS$^2$Bench，首个评估VLMs跨视角空间智能的综合基准，通过动态无人机视频与高分辨率卫星图像构建17.9k高质量问题-答案对，揭示VLMs在动态跨视角对齐中的性能瓶颈，并提出跨视角对齐适配器提升模型表现。
为生成推荐系统中的新词汇提供基础性词 token 初始化
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； LinkedIn Corporation（领英公司） ； Northeastern University（东北大学） ； University of California, Davis（加州大学戴维斯分校）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出GTI方法，通过在预训练嵌入空间中语义地初始化新词汇，提升生成推荐系统性能，优于传统均值初始化和辅助任务适应方法。
Omni123：通过统一文本到2D和3D生成探索有限3D数据的3D原生基础模型
机构 * FNii-Shenzhen（FNii-深圳） ； SSE, CUHK(SZ)（香港中文大学（深圳）理工学院） ； Meshy AI
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 Omni123通过统一文本到2D和3D生成，利用文本-图像-3D的跨模态一致性作为隐式约束，提升3D生成的几何一致性与语义对齐。
在早期教育中的日常活动图像描述：基准和算法
机构 * School of Robotics, Beijing Union University（北京联合大学机器人学院） ； College of Computer and Cyber Security, Hebei Normal University（河北师范大学计算机与网络安全学院） ； Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所） ； National Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所模式识别国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences (UCAS)（中国科学院大学人工智能学院） ； PeopleAI, Inc.（人民人工智能公司） ； People Youhe Education Technology Co., Ltd.（人民优和教育科技有限公司）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ECAC基准和RSRS算法，通过专家标注和细粒度标签提升早期教育图像描述的专业性，实验显示KinderMM-Cap-3B在TTS上表现优异。
结构是监督：用于放射学的多视图掩码自编码器
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Department of Computer Science, UC Irvine（加州大学尔湾分校计算机科学系） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出多视图掩码自编码器（MVMAE），通过利用放射学研究的多视图结构学习视图不变和疾病相关表征，并在三个公开数据集上验证了其在疾病分类任务中的优越性能。
Journal ref Transactions on Machine Learning Research (TMLR) 2026
流媒体视频理解的简单基线
机构 * S-Lab, Nanyang Technological University（南洋理工大学S-Lab）
专题命中 VLM训练与架构 ：VLM(abstract)；分类 cs.CV
AI总结 本文提出SimpleStream基线，通过滑动窗口仅使用最近N帧输入现成的VLM，在OVO-Bench和StreamingBench上表现优异，揭示了长上下文对性能的非线性影响及感知与记忆的权衡。
Comments Project page: https://simple-stream.github.io/
为手术基础模型扩展视频预训练
机构 * The Johns Hopkins University（约翰霍普金斯大学） ； Zhejiang University（浙江大学） ； Zhejiang University-University of Illinois Urbana-Champaign Institute（浙江大学伊利诺伊大学厄巴纳-香槟分校联合学院） ； Zhejiang Lab（之江实验室） ； Shaoxing University（绍兴大学） ； Angelalign（时代天使） ； Harvard Medical School（哈佛医学院）
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SurgRec，通过大规模数据和统一预训练流程提升手术视频理解能力，对比SSL基线和视觉语言模型，展示SurgRec在多个下游任务中的优越性能。
HieraVid：用于快速视频大语言模型的分层令牌修剪
机构 * Xiamen University（厦门大学）
专题命中 VLM训练与架构 ：LLaVA(abstract)；分类 cs.CV
AI总结 HieraVid通过分层修剪框架减少视频令牌冗余，提升视频大语言模型的效率，在保留性能的同时实现30%的令牌保留率。
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