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。
FiLM-Nav：通过VLM微调实现高效且通用的导航
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 VLM训练与架构 ：VLM(title,title_cn)；vision-language model(abstract)
AI总结 本文提出FiLM-Nav，通过微调预训练VLM作为导航策略，直接利用视觉轨迹历史和导航目标进行探索决策，实现复杂环境中的高效导航与物体定位。
为何大规模多模态语言模型难以确定物体方向
机构 * Department of Computer Science（计算机科学系）
专题命中 VLM训练与架构 ：LLaVA(abstract,abstract_cn)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文研究大规模多模态语言模型在处理图像中2D物体方向推理任务时的困难，通过实验发现方向信息可从编码器表示中恢复，挑战了视觉编码器限制的假设。
Gaslight, Gatekeep, V1-V3: 早期视觉皮层对齐保护视觉语言模型免受阿谀操控
机构 * Indian Institute of Technology Gandhinagar（印度理工学院加尔各答分校） ； Asian Institute of Technology（亚洲理工学院）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文研究了视觉语言模型在高风险场景中的脆弱性，通过评估12种模型的脑部对齐和顺从性，发现早期视觉皮层对齐能有效降低模型对阿谀操控的敏感性。
Comments 28 pages, 9 figures, 13 tables
GeoAgentBench: 一种面向空间分析工具增强代理的动态执行基准
机构 * School of Geosciences and Info-Physics, Central South University（中南大学地球科学与信息物理学院） ； School of Earth Sciences and Spatial Information Engineering, Hunan University of Science and Technology（湖南科技大学地球科学与空间信息工程学院）
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 本文提出GeoAgentBench，通过动态执行沙盒评估地理信息代理，引入PEA指标和视觉语言模型验证，改进Plan-and-React架构，提升空间分析代理的执行鲁棒性与逻辑严谨性。
Comments 20 pages, 3 figures, 6 tables
UHR-BAT：面向超高清遥感的预算感知视觉-语言模型
机构 * School of Artificial Intelligence Science and Technology, Nanjing University（南京大学人工智能科学与技术学院） ； School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） ； School of Physics, Nanjing University（南京大学物理学院）
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UHR-BAT模型，通过文本引导的多尺度重要性估计和区域保留合并策略，实现高效视觉token压缩，在严格预算下提升超高清遥感图像信息提取效率。
MAny：为多模态连续指令微调合并任何内容
机构 * College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院） ； National Key Laboratory of Parallel and Distributed Computing, National University of Defense Technology（国防科技大学并行与分布式计算国家重点实验室） ； State Key Laboratory of Complex & Critical Software Environment（复杂与关键软件环境国家重点实验室） ； School of Computer Science, Tsinghua University（清华大学计算机科学与技术系）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.AI、cs.LG
AI总结 针对多模态连续指令微调中感知漂移和推理崩溃问题，提出MAny框架，通过跨模态投影合并和低秩参数合并实现任务知识融合，提升模型鲁棒性和性能。
CLIP架构用于腹部CT图像-文本对齐和零样本学习：研究批量组成和数据缩放
机构 * Department of Radiodiagnosis（放射诊断部门）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文研究了CLIP架构在腹部CT图像-文本对齐和零样本学习中的效果，探讨了训练批量组成和数据缩放的影响，发现随机采样和交替批次比人工类平衡更有效。
说什么和何时说：Live Fitness Coaching作为情境交互的测试平台
机构 * TwentyBN GmbH（TwentyBN公司） ； Qualcomm AI Research（高通人工智能研究） ； Aignostics GmbH（Aignostics公司） ； UC San Diego（加州大学圣地亚哥分校）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV；VLM(comments)
AI总结 本文提出QEVD基准和数据集，研究人类与AI在健身指导中的情境交互，测试视觉语言模型在实时反馈中的能力，揭示现有模型的局限并提出异步流式基线方法。
Comments Accepted to the 2024 NeurIPS Datasets and Benchmarks track; Data: https://www.qualcomm.com/developer/software/qevd-dataset Dataset quick start guide: https://github.com/varworkshop/ai_coach_fitness_2026 and Stream-VLM code: https://github.com/Qualcomm-AI-research/FitCoach
MApLe：多实例诊断报告与大医学图像的对齐
机构 * Computational Imaging Research Lab, Department of Biomedical Imaging and Image-guided Therapy, Medical University of Vienna（计算成像研究实验室，生物医学成像与影像引导治疗系，维也纳医学大学） ； Comprehensive Center for Artificial Intelligence in Medicine, Medical University of Vienna（医学人工智能综合中心，维也纳医学大学） ； Medical Anomaly Detection (MANO) Group, Computational Imaging Research (CIR), Department of Biomedical Imaging and Image-guided Therapy, Medical University of Vienna（医学异常检测（MANO）组，计算成像研究（CIR），生物医学成像与影像引导治疗系，维也纳医学大学） ； Department of Biomedical Imaging and Image-Guided Therapy, Medical University of Vienna（生物医学成像与影像引导治疗系，维也纳医学大学）
专题命中 VLM训练与架构 ：vision language model(abstract)；分类 cs.CV
AI总结 MApLe通过多任务多实例对齐方法，解决诊断报告与图像局部区域的关联问题，提升医学图像与文本的对齐性能。
Comments Accepted for MIDL 2026; Reviews available at https://openreview.net/forum?id=M8OO3CRbL9#discussion
OmniTrace：面向多模态大语言模型生成过程的统一归因框架
机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） ； eBay
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 OmniTrace提出一种轻量级框架，通过生成过程追踪实现多模态大语言模型的统一归因，提供跨模态解释并提升解释的稳定性和可解释性。
ViBES：一个具有行为智能的3D虚拟身体对话代理
机构 * Stanford University（斯坦福大学） ； ByteDance（字节跳动）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.CV
AI总结 ViBES通过联合规划语言和运动，实现对话条件下的身体动作生成，提升了多轮对话中的社会交互能力。
Comments Project page: https://ai.stanford.edu/~juze/ViBES/. Accepted by CVPR 2026
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