AI 大模型

视觉大模型 / VLM

视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。

2026-04-06 至 2026-04-06 共收录 2 篇信号源：cs.CV, cs.AI, cs.LG

1. 其他VLM 2 篇

2604.00799 2026-04-06 cs.CV cs.CL cs.LG 62%

Multimodal Language Models Cannot Spot Spatial Inconsistencies

多模态语言模型无法发现空间不一致性

Om Khangaonkar, Hadi J. Rad, Hamed Pirsiavash

机构 * University of California, Davis（加州大学戴维斯分校）； Shell（壳牌）； TU Delft（代尔夫特理工大学）

专题命中其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.LG

AI总结研究探讨多模态大语言模型在识别3D几何空间不一致性方面的不足，提出生成空间不一致图像对的方法，发现先进模型在该任务上表现欠佳，揭示其对物理世界理解的脆弱性。

2604.03016 2026-04-06 cs.AI 57%

Agentic-MME: What Agentic Capability Really Brings to Multimodal Intelligence?

Agentic-MME：代理能力为多模态智能带来了什么？

Qianshan Wei, Yishan Yang, Siyi Wang, Jinglin Chen, Binyu Wang, Jiaming Wang, Shuang Chen, Zechen Li, Yang Shi, Yuqi Tang, Weining Wang, Yi Yu, Chaoyou Fu, Qi Li, Yi-Fan Zhang

机构 * CASIA（中国科学院自动化研究所）； UCAS（中国科学院大学）； SEU（东南大学）； NJU（南京大学）； PKU（北京大学）； BUAA（北京航空航天大学）； NTU（南洋理工大学）； UCLA（加州大学洛杉矶分校）

专题命中其他VLM ：multimodal large language model(abstract)；分类 cs.AI

AI总结 Agentic-MME通过418个真实任务评估多模态代理能力，采用过程验证方法，量化效率并验证工具调用准确性，实验显示模型在复杂任务中表现显著下降。