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。

2026-04-20 至 2026-04-20 共收录 3 篇信号源：cs.CV, cs.AI, cs.LG

1. 文档图表理解 3 篇

2604.02880 2026-04-20 cs.CV 57%

InstructTable: Improving Table Structure Recognition Through Instructions

InstructTable: 通过指令提升表格结构识别

Boming Chen, Zining Wang, Zhentao Guo, Jianqiang Liu, Chen Duan, Yu Gu, Kai zhou, Pengfei Yan

机构 * Meituan（美团）； Beijing Institute of Technology（北京理工大学）

专题命中文档图表理解：vision-language model(abstract)；分类 cs.CV

AI总结本文提出InstructTable框架，通过指令引导多阶段训练提升表格结构识别，结合指令预训练和细调，构建BCDSTab基准，实现在复杂表格识别中的最优性能。

Comments 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition- FINDINGS Track (CVPRF)

2508.21675 2026-04-20 cs.CL cs.CV cs.GR 57%

Is this chart lying to me? Automating the detection of misleading visualizations

这张图表在欺骗我吗？自动化检测误导性可视化

Jonathan Tonglet, Jan Zimny, Tinne Tuytelaars, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE（普遍知识处理实验室（UKP实验室）、计算机科学系、图腾斯大学（TU Darmstadt）及应用网络安全国家研究中心ATHENE）； Department of Electrical Engineering, KU Leuven（电子工程系、鲁文大学）； Department of Computer Science, KU Leuven（计算机科学系、鲁文大学）

专题命中文档图表理解：multimodal large language model(abstract)；分类 cs.CV

AI总结研究提出Misviz基准测试集和合成数据集，用于自动化检测误导性可视化，发现该任务仍极具挑战性。

Comments Camera-ready version accepted at ACL 2026 Main conference. Code and data available at: https://github.com/UKPLab/acl2026-misviz

2504.03621 2026-04-20 cs.CV 57%

PILOT: A Promptable Interleaved Layout-aware OCR Transformer

PILOT：一种可提示的交错布局感知OCR变压器

Laziz Hamdi, Amine Tamasna, Pascal Boisson, Thierry Paquet

机构 * univ-rouen（鲁昂大学）； LITIS（LITIS研究所）； Malakoff Humanis（马拉科夫人类研究所）

专题命中文档图表理解：grounding(abstract)；分类 cs.CV

AI总结 PILOT提出一种统一的OCR模型，通过交错布局感知和提示条件生成，实现手写和印刷文档的文本识别与空间定位，优于传统OCR和端到端HTR模型。