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。
See&Say：基于视觉语言的自主配送无人机安全区域检测
机构 * George Washington University（乔治·华盛顿大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV
AI总结 本文提出See&Say框架，结合几何安全提示与语义感知，利用视觉语言模型实现迭代优化，提升无人机配送中安全区域检测的可靠性与动态适应性。
神经符号AI在网络安全中的应用：现状、挑战与机遇
机构 * Department of Information Systems, University of Maryland, Baltimore County（信息系统系，马里兰大学巴尔的摩分校） ； Department of Computer Science and Engineering, University at Buffalo（计算机科学与工程系，布法罗大学） ； Department of Computer Science, University of Colorado Boulder（计算机科学系，科罗拉多大学博尔德分校） ； Laboratory for Cybersecurity Dynamics, Department of Computer Science, University of Colorado Colorado Springs（网络安全动力实验室，科罗拉多大学科罗拉多斯普林斯分校）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI
AI总结 本文综述了神经符号AI在网络安全中的应用，分析了103篇文献，指出多智能体和结构化集成架构在复杂场景中表现更优，因果推理能提升防御能力，知识引导学习提高效率和可解释性，但评估标准化和人机协作仍是挑战。
前馈3D场景建模：以问题为导向的视角
机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Monash University（墨尔本大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Tübingen（图宾根大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文探讨了前馈3D重建的通用方法，提出以模型设计为核心的分类体系，涵盖特征增强、几何意识、模型效率等五个核心问题，旨在推动3D场景建模的标准化与可扩展性。
Comments 67 pages, 395 references. Project page: https://ff3d-survey.github.io. Code: https://github.com/ziplab/Awesome-Feed-Forward-3D. This work has been submitted to Springer for possible publication
迈向无约束的人-物交互
机构 * Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系） ； Fondazione Bruno Kessler（布鲁诺·克塞勒基金会） ； Department of Computer Science, University of Verona（威尼斯大学计算机科学系）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文通过多模态大语言模型探索无约束人-物交互检测，提出无需预定义交互词汇的新任务，并展示MLLMs在该任务中的潜力。
Comments Accepted to the 20th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2026)
OneHOI：统一人类-物体交互生成与编辑
机构 * Nanyang Technological University（南洋理工大学） ； Sun Yat-sen University（中山大学） ； Universiti Malaya（马来亚大学） ； VinUniversity（文大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 OneHOI提出一种统一的扩散变换框架，整合人类-物体交互生成与编辑，通过共享的交互表示实现单条件去噪过程，支持多种控制模式，取得生成与编辑的最新成果。
Comments Accepted at CVPR2026. This paper moves toward unifying HOI generation and editing within a single model
迈向细粒度时间感知：通过音频侧时间提示进行后训练的大音频-语言模型
机构 * National Engineering Research Center of Speech and Language Information Processing, University of Science and Technology of China, Hefei, China（语音与语言信息处理国家级工程研究中心，中国科学技术大学，合肥，中国） ； ICT Cluster, Singapore Institute of Technology, Singapore（新加坡理工学院ICT集群，新加坡）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出Audio-Side Time Prompt方法，结合强化学习改进大音频-语言模型的时间感知能力，在音频定位、事件检测等任务中取得显著提升。
Comments Submitted to Interspeech 2026
通过证据感知奖励和自校正偏好学习增强放射科报告生成
机构 * Department of Computer Science and Engineering, ECUST（电子科技大学计算机科学与工程系） ； Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, P. R. China（教育部能源化工过程智能制造重点实验室） ； Zhejiang University（浙江大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本文提出ESC-RL方法，结合证据感知对齐奖励和自校正偏好学习，提升放射科报告生成的临床准确性与持续改进能力，实验表明其在胸部X光数据集上表现优异。
Comments 13 pages,4 figures, ACL2026-main
合同编码：通过结构化符号范式实现仓库级生成
机构 * State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出合同编码，通过结构化符号范式解决仓库级生成中意图与代码之间的模糊性问题，实现意图驱动的架构合成。
简单即正义：视觉基础模型中通用可推广AIGI检测的出现
机构 * Shenzhen University（深圳大学） ； Nanchang University（南昌大学） ； University of North Texas（北得克萨斯大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出通过简单线性分类器在现代视觉基础模型冻结特征上训练，实现超越专门检测器的AIGI检测性能，尤其在真实世界数据集上表现更优。
AVID：一种通过代理驱动构建的多模态音频视觉不一致理解基准
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 AVID是首个大规模多模态音频视觉不一致理解视频基准，通过可扩展的构建流程和8种细粒度不一致类别，评估检测、时间定位、分类和推理能力，验证了其在可信多模态AI系统中的有效性。
草稿-细化-优化：面向自然语言到MongoDB查询生成的自演化学习
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出EvoMQL框架，通过迭代的草稿-细化-优化流程，结合执行反馈实现自然语言到MongoDB查询生成的自演化学习，提升了执行准确率。
Comments 11 pages, 2 figures
ChartNet: 一个百万级、高质量的多模态数据集，用于稳健的图表理解
机构 * MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； IBM Research（IBM研究院） ； Abaka AI & 2077AI（Abaka AI及2077AI）
专题命中 文档图表理解 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 ChartNet通过生成150万张不同图表样本，提升图表解释和推理能力，包含代码、图像、表格、自然语言和问答数据，支持多模态对齐，公开可用。
Comments Accepted at CVPR 2026
UI-Zoomer: 基于不确定性的自适应缩放以实现GUI定位
机构 * Zhejiang University（浙江大学）
专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出UI-Zoomer框架，通过将缩放触发和尺度作为不确定性量化问题，改进GUI定位中的小图标和密集布局识别。实验表明，该方法在多个模型架构上均优于现有基线，提升幅度达13.4%至4.2%。
Comments Project Page: https://zju-real.github.io/UI-Zoomer Code: https://github.com/ZJU-REAL/UI-Zoomer
A1: 一个完全透明的开源、自适应和高效的截断视觉-语言-动作模型
机构 * SYSU（华南理工大学） ； MBZUAI（微软亚洲人工智能研究院） ； Spatialtemporal AI（时空人工智能）
专题命中 GUI与屏幕智能体 ：VLM(summary_cn,abstract)
AI总结 A1通过利用预训练的VLM提供隐含的 affordance 先验知识，实现低成本、高吞吐量的推理，同时提高机器人操作的成功率，且在多个基准和真实机器人上实现了最先进的成功率。
Avenir-UX：通过模拟人类网络交互进行自动用户体验评估
机构 * University College London（伦敦大学学院）
专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；分类 cs.AI
AI总结 Avenir-UX通过模拟人类交互行为，提供标准化的可用性评估，结合GUI接地技术，提升用户体验评估的效率和准确性，支持持续、可扩展的数据驱动测试。
LongVideo-R1: 低成本长视频理解的智能导航
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Huawei Consumer Business Group（华为消费者业务集团）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文提出LongVideo-R1，一种基于多模态大语言模型的智能导航系统，通过高效视频上下文导航减少冗余搜索，提升长视频理解的效率与准确性。
Comments 17 pages, 9 figures, 8 tables, accepted to CVPR 2026
通过多角色编排实现可扩展的轻量级GUI代理
机构 * Zhejiang Key Laboratory of Accessible Perception and Intelligent Systems, Zhejiang University（浙江可及感知与智能系统重点实验室，浙江大学） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； AntGroup（蚂蚁集团）
专题命中 GUI与屏幕智能体 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出LAMO框架，通过多角色编排提升轻量级GUI代理的任务扩展性，开发出支持单体执行和多代理系统编排的LAMO-3B代理，结合先进规划器实现持续性能提升。
Comments Findings of ACL 2026
Figma2Code: 将多模态设计转换为代码的自动化
专题命中 GUI与屏幕智能体 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)
AI总结 本文提出Figma2Code任务，通过收集Figma文件元数据与设计图像，构建高质量数据集，评估多种多模态大语言模型，发现专有模型在视觉保真度上表现优异，但布局响应性和代码可维护性有限。
Comments ICLR 2026
UI-Copilot: 通过工具集成策略优化推进长周期GUI自动化
机构 * Zhejiang University（浙江大学） ； Apple（苹果公司） ； Tencent（腾讯）
专题命中 GUI与屏幕智能体 ：MLLM(abstract,abstract_cn)；分类 cs.LG
AI总结 本文提出UI-Copilot框架，通过分离持久观察与临时执行上下文实现内存解耦，结合工具集成策略优化提升长周期GUI任务性能，实验显示其在MemGUI-Bench和AndroidWorld上均优于现有模型。
RiskWebWorld: 电子商务风险管理中GUI代理的现实交互基准
机构 * Ant Group（蚂蚁集团）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 RiskWebWorld是一个用于评估GUI代理在电子商务风险管理中能力的现实交互基准，揭示了通用模型与专用模型在长周期专业任务中的显著能力差距。
ESCAPE：基于长周期移动操作的片段空间记忆与自适应执行策略
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； LiAuto Inc.（LiAuto公司）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出ESCAPE框架，通过融合感知-地面-执行流程，解决长周期移动操作中的鲁棒性、空间一致性及执行灵活性问题，在ALFRED基准测试中取得优异成绩。
WebXSkill：自主网页代理的技能学习
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft（微软）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.AI
AI总结 WebXSkill通过可执行技能框架解决自主网页代理在长周期任务中的执行与适应问题，提升任务成功率。
Comments 21 pages
MAS-Bench：一种统一的快捷键增强混合移动GUI代理基准测试
机构 * Zhejiang University（浙江大学） ； vivo AI Lab（vivo AI实验室） ； Peking University（北京大学）
专题命中 GUI与屏幕智能体 ：MLLM(abstract)；分类 cs.AI
AI总结 本文提出MAS-Bench，用于评估结合GUI和快捷键的混合移动自动化代理，包含139个任务和9个评估指标，实验显示混合代理在效率上优于纯GUI代理。
面向无人机的视觉与语言导航：进展、挑战与研究路线图
机构 * Autel Robotics, Shenzhen, China（大疆创新，深圳，中国） ； School of Intelligent Software and Engineering, Nanjing University, Nanjing, China（南京大学智能软件与工程学院，南京，中国） ； School of Computer, Data & Information Sciences, University of Wisconsin-Madison, Madison, WI, USA（威斯康星大学麦迪逊分校计算机、数据与信息科学学院，麦迪逊，WI，美国） ； Southern University of Science and Technology, Shenzhen, China（南方科技大学，深圳，中国） ； The University of Hong Kong, Hong Kong SAR, China（香港大学，香港特别行政区，中国） ； School of Software and Microelectronics, Peking University, Beijing, China（北京大学软件与微电子学院，北京，中国）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)
AI总结 本文综述了无人机视觉与语言导航领域，分析了从早期模块化方法到基于大模型的智能系统的发展，探讨了现实部署中的挑战，并提出了未来研究方向。
VLMaterial: 基于视觉-语言模型的相机-雷达融合用于物理基础的材料识别
机构 * Department of Inforation Engineering（信息工程系）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)
AI总结 本文提出VLMaterial框架，通过融合视觉语言模型与雷达知识实现物理基础的材料识别，采用双管道架构和上下文增强生成策略，提升跨模态融合性能，实验表明其在120余次真实实验中达到96.08%的识别准确率。
在像素之间阅读：将文本-图像嵌入对齐与字体攻击成功性联系起来
机构 * Cisco Systems（思科系统）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV
AI总结 研究了视觉-语言模型中字体提示注入攻击的影响，发现字体大小、文本攻击有效性及嵌入距离对攻击成功率有显著影响，为防御策略提供实证指导。
Comments Accepted at ICLR 2026 Workshop on Agents in the Wild
基于强化学习和上下文视觉-语言模型的分层DLO路由
机构 * Department of Electrical and Computer Engineering, University of Minnesota（明尼苏达大学电气与计算机工程系） ； Princeton University（普林斯顿大学）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.LG
AI总结 本文提出了一种自主分层框架，利用视觉-语言模型进行上下文高层推理，结合强化学习训练的低层技能，解决长视距DLO路由任务，实现92%的成功率。
Comments 8 pages, 6 figures, 3 tables
SemiFA：一种用于自主半导体故障分析报告生成的代理多模态框架
机构 * School of Artificial Intelligence and Data Engineering (SAIDE)（人工智能与数据工程学院） ； Indian Institute of Technology Jodhpur（印度理工学院贾尔普尔）
专题命中 幻觉与鲁棒性 ：LLaVA(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 SemiFA通过多代理语言图框架实现自主生成半导体故障分析报告，利用多模态数据融合提升根因分析精度，首次整合SECS/GEM设备 telemetry 进行自动化报告生成。
Comments 11 pages, 6 figures, 8 tables. Dataset available at https://huggingface.co/datasets/ShivamChand/SemiFA-930. Code available at https://github.com/Shivamckaushik/SemiFA
通过统计和语义过滤进行模仿学习中的故障识别
机构 * Université Paris-Saclay, CEA, List（巴黎-萨克雷大学，CEA，List） ； Inria, CNRS, Université de Lorraine, LORIA（Inria，CNRS，洛林大学，LORIA） ； Bleu Robotics（Bleu机器人）
专题命中 幻觉与鲁棒性 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出FIDeL模块，结合统计和语义过滤技术，提升机器人模仿学习中的故障检测性能，通过多模态数据集BotFails验证其有效性。
Comments 8 pages, Appendix coming soon, accepted at ICRA 2026
视觉自我实现对齐：通过威胁相关图像塑造安全导向的人设
机构 * King Abdullah University of Science and Technology（国王阿卜杜勒·阿齐兹大学科学与技术学院） ； Provable Responsible AI and Data Analytics Lab（可证责任AI与数据分析实验室） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； China University of Petroleum-Beijing at Karamay（北京石油大学克拉玛依校区）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出视觉自我实现对齐方法，通过威胁相关图像训练视觉语言模型，塑造安全导向的人设，减少攻击成功率并提升响应质量。
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