视觉大模型 / VLM

Matlas: A Semantic Search Engine for Mathematics

Matlas：数学语义搜索引擎

Haocheng Ju, Leheng Chen, Peihao Wu, Bryan Dai, Bin Dong

机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； IQuest Research（IQuest研究） ； Beijing International Center for Mathematical Research and the New Cornerstone Science Laboratory, Peking University（北京大学北京国际数学研究中心和新基石科学实验室） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； Center for Intelligent Computing, Great Bay Institute for Advanced Study, Great Bay University（大亚湾先进研究所智能计算中心） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 Matlas通过构建大规模数学语义库，实现数学陈述的高效检索，提升数学家定理检索效率并为AI系统提供数学知识基础。

Comments Web Service: https://matlas.ai/, API Docs: https://matlas.ai/docs

Deep-Reporter: Deep Research for Grounded Multimodal Long-Form Generation

Deep-Reporter：基于多模态长形式生成的深度研究

Fangda Ye, Zhifei Xie, Yuxin Hu, Yihang Yin, Shurui Huang, Shikai Dong, Jianzhu Bao, Shuicheng Yan

机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 本文提出Deep-Reporter框架，通过多模态搜索、检查清单引导合成和上下文管理，解决多模态长形式生成中的整合与选择难题，通过8K高质量数据集和M2LongBench测试集验证其有效性。

Comments 41 pages, 6 figures, 8 tables. Code available at https://github.com/fangda-ye/Deep-Report. v2: corrected typos and updated experimental results

A phenotype-driven and evidence-governed framework for knowledge graph enrichment and hypotheses discovery in population data

一种以表型驱动和证据为导向的知识图谱丰富与假设发现框架

Adela Bâra, Simona-Vasilica Oprea

机构 * Department of Economic Informatics and Cybernetics, Bucharest University of Economic Studies（布加勒斯特经济大学信息与自动化系） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 本文提出一种以表型驱动和证据为导向的知识图谱增强与假设发现框架，通过整合图神经网络、因果推理和大语言模型，实现结构化假设发现和受控知识图谱扩展，提升解释性和科学证据一致性。

Medical thinking with multiple images

多图像医学推理

Zonghai Yao, Benlu Wang, Yifan Zhang, Junda Wang, Iris Xia, Zhipeng Tang, Shuo Han, Feiyun Ouyang, Zhichao Yang, Arman Cohan, Hong Yu

机构 * Manning College of Information and Computer Sciences, UMass Amherst（UMass阿默斯特信息与计算机科学学院） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care（VA贝福德医疗保健中心） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Miner School of Computer and Information Sciences, UMass Lowell（UMass洛威计算机与信息科学学院） ； Department of Electrical and Computer Engineering, UMass Lowell（UMass洛威电气与计算机工程系） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV

AI总结 本文提出MedThinkVQA多图像医学推理基准，通过专家标注数据验证多图像整合对临床推理的重要性，发现多图像推理瓶颈在于证据提取与对齐，且增加推理时间计算效果有限。

Comments Equal contribution for the first two authors. To appear in the proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026). Code is in https://github.com/benluwang/MedThinkVQA. Dataset is in https://huggingface.co/datasets/bio-nlp-umass/MedThinkVQA

CGCMA: Conditionally-Gated Cross-Modal Attention for Event-Conditioned Asynchronous Fusion

CGCMA：基于事件条件的异步融合条件门控跨模态注意力

Yunxiang Guo

机构 * Independent Researcher（独立研究者） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 本文提出CGCMA，用于异步融合场景中事件条件下的跨模态注意力，通过分离文本条件接地与滞后感知信任控制，提升异步多模态融合性能。

Mind the Way You Select Negative Texts: Pursuing the Distance Consistency in OOD Detection with VLMs

注意你选择负样本的方式：在使用VLMs进行OOD检测时追求距离一致性

Zhikang Xu, Qianqian Xu, Zitai Wang, Cong Hua, Sicong Li, Zhiyong Yang, Qingming Huang

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络与信息安全学院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

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InterNeg框架，通过统一的跨模态距离增强提升OOD检测性能，实验显示在ImageNet和Near-OOD基准上取得显著改进。

Comments Accepted by the main track of CVPR 2026

Automatic Slide Updating with User-Defined Dynamic Templates and Natural Language Instructions

基于用户定义动态模板和自然语言指令的自动幻灯片更新

Kun Zhou, Jiakai He, Wenmian Yang, Zhensheng Wang, Yiquan Zhang, Weijia Jia

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； Institute of Artificial Intelligence and Future Networks, Beijing Normal University（北京师范大学人工智能与未来网络研究院） ； Faculty of Arts and Sciences, Beijing Normal University（北京师范大学文理学院） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港 Baptist大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文提出DynaSlide基准，结合多模态解析和自然语言指令，实现幻灯片动态更新，保留布局与样式，并设计评估协议揭示未来研究挑战。

Comments To appear in Findings of the Association for Computational Linguistics (ACL 2026)

Large Language Models and Stock Investing: Is the Human Factor Required?

大语言模型与股票投资：是否需要人类因素？

Ricardo Crisostomo, Diana Mykhalyuk

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文研究大语言模型能否生成可靠的股市预测，发现其预测能力受限于推理错误，需人类监督以提升表现。

Comments 33 pages; 6 tables; 2 figure

Peerispect: Claim Verification in Scientific Peer Reviews

Peerispect：科学同行评审中的声明验证

Ali Ghorbanpour, Soroush Sadeghian, Alireza Daghighfarsoodeh, Sajad Ebrahimi, Negar Arabzadeh, Seyed Mohammad Hosseini, Ebrahim Bagheri

机构 * University of Toronto, Reviewerly（多伦多大学，Reviewerly） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 Peerispect通过提取同行评审中的可验证声明，检索相关证据并验证其真实性，提供可视化界面帮助快速检查和解释。

Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training

通过现实场景合成和文档感知训练实现真实世界文档解析

Gengluo Li, Pengyuan Lyu, Chengquan Zhang, Huawen Shen, Liang Wu, Xingyu Wan, Gangyan Zeng, Han Hu, Can Ma, Yu Zhou

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； Tencent（腾讯） ； Nankai University（南开大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanjing University of Science and Technology（南京理工大学） 纠错

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

AI总结 本文提出数据训练协同框架，通过现实场景合成和文档感知训练提升文档解析的准确性和鲁棒性，构建了Wild-OmniDocBench基准，并在1B参数MLLM中实现了跨扫描/数字和真实世界场景的优异性能。

PRISM-XR: Empowering Privacy-Aware XR Collaboration with Multimodal Large Language Models

PRISM-XR: 通过多模态大语言模型赋能隐私感知的扩展现实协作

Jiangong Chen, Mingyu Zhu, Bin Li

机构 * Department of Electrical Engineering, The Pennsylvania State University, University Park, PA 16802, USA（电气工程系，宾夕法尼亚州立大学，University Park，PA 16802，USA） 纠错

专题命中 文档图表理解 ：multimodal large language model(title,abstract)；MLLM(abstract)；分类 cs.AI

AI总结 本文提出PRISM-XR框架，通过边缘服务器智能预处理过滤敏感数据，实现隐私保护的多用户XR协作，实验表明其在准确性和隐私保护方面表现优异。

Comments Accepted to the 2026 IEEE Conference on Virtual Reality and 3D User Interfaces (IEEE VR)

Journal ref 2026 IEEE Conference on Virtual Reality and 3D User Interfaces (VR)

Hydra: Unifying Document Retrieval and Generation in a Single Vision-Language Model

Hydra：在单一视觉-语言模型中统一文档检索与生成

Athos Georgiou

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 Hydra通过单一视觉-语言模型实现文档检索与生成的统一，减少内存和系统复杂性，通过LoRA适配器在推理时切换，提升效率并保持生成质量。

Comments 21 pages, 4 figures, 10 tables, 1 algorithm. v3: two-scale release (4B, 0.8B); bitwise generation-equivalence (426/426 LM tensors at 4B); peak VRAM -62.7% at 4B, -59.1% at 0.8B; GritLM joint-training ablation; Qwen2.5-Omni-3B omni extension. Models: huggingface.co/collections/athrael-soju/hydra-dual-head-retrieval-and-generation

Align Documents to Questions: Question-Oriented Document Rewriting for Retrieval-Augmented Generation

对齐文档与问题：面向问题的文档重写以增强检索增强生成

Jiaang Li, Zhendong Mao, Quan Wang, Yuning Wan, Yongdong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 文档图表理解 ：grounding(abstract)

AI总结 本文提出QREAM框架，通过风格控制重写使检索文档更符合问题需求，提升检索增强生成的准确性与效率。

Comments ACL'26 Findings

From Relevance to Authority: Authority-aware Generative Retrieval in Web Search Engines

从相关性到权威性：面向网页搜索引擎的权威感知生成检索

Sunkyung Lee, Jihye Back, Donghyeon Jeon, Soonhwan Kwon, Moonkwon Kim, Inho Kang, Jongwuk Lee

机构 * Sungkyunkwan University（成均馆大学） ； Naver Corporation（Naver公司） 纠错

专题命中 文档图表理解 ：vision-language model(abstract)

AI总结 本文提出权威感知生成检索框架AuthGR，通过多模态权威评分、三阶段训练和混合集成流程提升检索的权威性和准确性，在实际应用中显著提高用户参与度和可靠性。

Comments ACL 2026 (Industry Track)

LookasideVLN: Direction-Aware Aerial Vision-and-Language Navigation

LookasideVLN: 基于方向的空中视觉与语言导航

Yuwei Ning, Ganlong Zhao, Yipeng Qin, Si Liu, Yang Liu, Liang Lin, Guanbin Li

机构 * Sun Yat-sen University（中山大学） ； Peng Cheng Laboratory（鹏城实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Centre for Perceptual and Interactive Intelligence（感知与交互智能中心） ； Cardiff University（卡迪夫大学） ； Beihang University（北航） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东大数据分析与处理重点实验室） 纠错

专题命中 GUI与屏幕智能体 ：MLLM(summary_cn,abstract)；分类 cs.CV

AI总结 本文提出LookasideVLN，通过利用自然语言中的方向线索提升空中视觉与语言导航的准确性和效率，采用方向感知图、空间地标知识库和方向MLLM导航代理三种核心组件。

Comments Accepted by CVPR 2026

OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models

OneDrive: 统一的多范式驾驶与视觉-语言-动作模型

Yiwei Zhang, Xuesong Chen, Jin Gao, Hanshi Wang, Fudong Ge, Weiming Hu, Shaoshuai Shi, Zhipeng Zhang

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, CASIA School of Artificial Intelligence, University of Chinese Academy of Sciences AutoLab, School of Artificial Intelligence, Shanghai Jiao Tong University Voyager Research, Didi Chuxing School of Information Science（多模态人工智能系统国家重点实验室，中国科学院自动化所人工智能学院，中国科学院大学，AutoLab，上海交通大学人工智能学院，Voyager Research，滴滴出行，信息科学与技术学院） 纠错

专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV

AI总结 本文提出基于预训练视觉语言模型的统一自动驾驶框架，通过单一Transformer解码器整合异构解码行为，实现多任务联合优化，实验表明在nuScenes和NAVSIM上取得最优性能，且推理效率高。

HalluClear: Diagnosing, Evaluating and Mitigating Hallucinations in GUI Agents

HalluClear：诊断、评估和缓解GUI代理中的幻觉

Chao Jin, Wenkui Yang, Hao Sun, Yuqi Liao, Qianyi Jiang, Kai Zhou, Jie Cao, Ran He, Huaibo Huang

机构 * MAIS&NLPR, Institute of Automation, Chinese Academy of Sciences（自动化研究所人工智能与自然语言处理实验室，中国科学院） ； School of Artificial Intelligence, UCAS（中国科学院大学人工智能学院） ； Meituan（美团） 纠错

专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.AI

AI总结 HalluClear通过引入专门的幻觉分类、校准的评估流程和闭环推理方案，有效减少GUI代理中的幻觉，提升自动化可靠性。

Comments 47 pages, 44 figures

TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation

TagaVLM：面向视觉语言导航的拓扑感知全局动作推理

Jiaxing Liu, Zexi Zhang, Xiaoyan Li, Boyue Wang, Yongli Hu, Baocai Yin

机构 * School of Information Science and Technology, Beijing University of Technology, China（信息科学与技术学院，北京理工大学，中国） ； Imperial College London, U.K.（伦敦帝国理工学院，英国） 纠错

专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV

AI总结 TagaVLM通过引入拓扑结构增强视觉语言模型，提升空间推理能力，在R2R基准中取得最佳性能，优于现有方法。

Sensorimotor Self-Recognition in Multimodal Large Language Model-Driven Robots

多模态大语言模型驱动机器人中的躯体自我识别

Iñaki Dellibarda Varela, Pablo Romero-Sorozabal, Diego Torricelli, Gabriel Delgado-Oleas, Jose Ignacio Serrano, Maria Dolores del Castillo Sobrino, Eduardo Rocon, Manuel Cebrian

机构 * Center for Automation and Robotics（自动化与机器人中心） ； University of Azuay（阿祖亚大学） 纠错

专题命中 GUI与屏幕智能体 ：multimodal large language model(title)；分类 cs.AI

AI总结 本文研究多模态大语言模型通过躯体运动经验发展自我识别能力，展示机器人在环境感知、自我识别和预测意识方面的表现，揭示感觉整合对最小自我的影响及记忆协调机制。

Comments 16 pages, 3 figures, 1 table

VLN-NF: Feasibility-Aware Vision-and-Language Navigation with False-Premise Instructions

VLN-NF：具有假前提指令的视图与语言导航

Hung-Ting Su, Ting-Jun Wang, Jia-Fong Yeh, Min Sun, Winston H. Hsu

机构 * National Taiwan University（国立台湾大学） ； National Tsing Hua University（国立清华大学） ； DRIC 纠错

专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；分类 cs.CV

AI总结 本文提出VLN-NF基准，通过引入假前提指令，要求智能体在目标不存在时进行探索并明确输出NOT-FOUND，采用ROAM方法在房间级导航与室内探索中取得最佳性能。

Comments ACL 2026 camera ready

Instruction-as-State: Environment-Guided and State-Conditioned Semantic Understanding for Embodied Navigation

指令作为状态：环境引导和状态条件的语义理解用于具身导航

Zhen Liu, Yuhan Liu, Jinjun Wang, Jianyi Liu, Wei Song, Jingwen Fu

机构 * National Key Laboratory of Human-Machine Hybrid Augmented Intelligence（人机混合增强智能国家重点实验室） ； The Institute of Artificial Intelligence and Robotics（人工智能与机器人研究所） ； School of Information Science and Technology（信息科学与技术学院） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.CV

AI总结 本文提出了一种环境引导和状态条件的语义理解方法，通过动态指令-感知纠缠提升具身导航性能，实验表明在多个基准测试中表现优异。

CogDriver: Integrating Cognitive Inertia for Temporally Coherent Planning in Autonomous Driving

CogDriver：通过整合认知惯性实现自动驾驶中的时间一致规划

Pei Liu, Qingtian Ning, Xinyan Lu, Haipeng Liu, Weiliang Ma, Dangen She, Peng Jia, Xianpeng Lang, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Li Auto Inc.（利汽车公司） 纠错

专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV

AI总结 本文提出CogDriver框架，通过引入认知惯性提升自动驾驶中的时间一致性规划能力，通过大规模视觉-语言-动作数据集和稀疏时间记忆架构，显著提升了闭环驾驶得分和模仿准确性。

RHINO-AR: An Augmented Reality Exhibit for Teaching Mobile Robotics Concepts in Museums

RHINO-AR：一种用于博物馆中教学移动机器人概念的增强现实展览

Nils Dengler, Tim Graf, Leif Van Holland, Patrick Stotko, Reinhard Klein, Maren Bennewitz

机构 * Humanoid Robots Lab, University of Bonn, Germany（波恩大学人形机器人实验室，德国） 纠错

专题命中 GUI与屏幕智能体 ：grounding(abstract)

AI总结 RHINO-AR通过将虚拟重建的机器人置于真实博物馆空间，解决了VR展览与现实环境分离的问题，提升了非专业观众对移动机器人导航概念的理解。

When Vision-Language Models Judge Without Seeing: Exposing Informativeness Bias

当视觉-语言模型评判而不看：揭示信息性偏差

Xiaohan Zou, Roshan Sridhar, Mohammadtaher Safarzadeh, Dan Roth

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Oracle AI 纠错

专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.AI

AI总结 研究揭示视觉-语言模型在评判时存在的信息性偏差问题，提出BIRCH方法通过修正图像与答案的一致性提升评判可靠性，实验显示偏差降低17%，性能提升9.8%。

Comments Accepted at ACL 2026 Main Conference

When Text Hijacks Vision: Benchmarking and Mitigating Text Overlay-Induced Hallucination in Vision Language Models

当文本劫持视觉：基准测试与减轻文本叠加引起的视觉语言模型幻觉

Cui Yakun, Xingqun Qi, TianTian Geng, Yuyao Zhang, Sirui Han, Yike Guo

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Birmingham（伯明翰大学） 纠错

专题命中 幻觉与鲁棒性 ：vision language model(title)；vision-language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出VisualTextTrap基准测试，通过大规模人工验证样本和定制评估指标，减轻文本叠加引起的幻觉问题，并提出VTHM-MoE框架以提升视觉-文本解耦能力。

When Background Matters: Breaking Medical Vision Language Models by Transferable Attack

背景的重要性：通过可转移攻击打破医疗视觉语言模型

Akash Ghosh, Subhadip Baidya, Sriparna Saha, Xiuying Chen

机构 * Indian Institute of Technology Patna（印度理工学院帕纳分校） ； Indian Institute of Technology Kanpur（印度理工学院坎普尔分校） ； MBZUAI（穆桑大学人工智能研究所） 纠错

专题命中 幻觉与鲁棒性 ：vision language model(title)；vision-language model(abstract)；分类 cs.CV

AI总结 本文提出MedFocusLeak攻击方法，通过在非诊断背景区域注入协调扰动并利用注意力分散机制，使模型产生看似合理但错误的诊断，揭示了现代临床VLMs推理能力的弱点。

Comments ACL Main 2026

ProtoCLIP: Prototype-Aligned Latent Refinement for Robust Zero-Shot Chest X-Ray Classification

ProtoCLIP：基于原型对齐的潜在细化用于鲁棒零样本胸部X光分类

Florian Kittler, Sheethal Bhat, Andreas Maier

机构 * Friedrich-Alexander University Erlangen-Nuremberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） 纠错

专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG

AI总结 ProtoCLIP通过针对性数据筛选和锚点对齐优化，提升零样本胸部X光分类的鲁棒性，在VinDr-CXR数据集上提升AUC2-10个百分点，尤其在肺部气胸检测中达到0.94的SOTA性能。

From Handwriting to Structured Data: Benchmarking AI Digitisation of Handwritten Forms

从手写到结构化数据：基准测试AI手写文档数字化

Nicholas Pather, Joshua Fouché, Sitwala Mundia, Karl-Günter Technau, Thokozile Malaba, Alex Welte, Ushma Mehta, Bruce A. Bassett

机构 * CSAM, University of the Witwatersrand（沃特沙尔德大学计算机科学与数学系） ； Grai Labs（Grai实验室） ； Faculty of Health Sciences, University of the Witwatersrand（沃特沙尔德大学健康科学学院） ； Empilweni Services and Research Unit, Department of Paediatrics and Child Health, University of the Witwatersrand（沃特沙尔德大学儿科与儿童健康部门Empilweni服务与研究单位） ； Division of Epidemiology and Biostatistics, School of Public Health, Faculty of Health Sciences, University of Cape Town（开普敦大学公共卫生学院流行病学与生物统计学系） ； Discipline of Public Health, School of Medicine, University of KwaZulu-Natal（夸祖鲁-纳塔尔大学医学院公共卫生系） ； WITS MIND Institute and CSAM, University of the Witwatersrand, University of Cape Town & Grai Labs（沃特沙尔德大学WITS MIND研究所和CSAM、开普敦大学及Grai实验室） 纠错

专题命中 幻觉与鲁棒性 ：multimodal large language model(abstract)；分类 cs.CV、cs.LG

AI总结 本文评估了17种前沿多模态大语言模型在处理复杂手写表格任务中的表现，发现最新版Google和OpenAI模型在准确率和F1分数上达到85%和90%，并展示了提示优化对性能的显著提升。

Comments 19 Pages, 5 Figures

Spatiotemporal Sycophancy: Negation-Based Gaslighting in Video Large Language Models

时空趋炎附势：基于否定的欺骗性在视频大语言模型中的表现

Ziyao Tang, Pengkun Jiao, Bin Zhu, Huiyan Qi, Jingjing Chen, Yu-Gang Jiang

机构 * Institute of Trustworthy Embodied AI, Fudan University Shanghai Key Laboratory of Multimodal Embodied AI（可信具身人工智能研究所，复旦大学上海多模态具身人工智能重点实验室） 纠错

专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.CV

AI总结 本文研究视频大语言模型在面对否定性欺骗时的脆弱性，揭示其在时空推理中的错误修正机制，并提出GasVideo-1000基准测试集以评估模型的鲁棒性。

From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models

从被动度量到主动信号：不确定性量化在大语言模型中的演变角色

Jiaxin Zhang, Wendi Cui, Zhuohang Li, Lifu Huang, Bradley Malin, Caiming Xiong, Chien-Sheng Wu

机构 * Salesforce AI Research（Salesforce AI研究院） ； Intuit（Intuit公司） ； Vanderbilt University（范德比大学） ； University of California, Davis（加州大学戴维斯分校） ； Vanderbilt University Medical Center（范德比大学医学中心） 纠错

专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.AI

AI总结 本文探讨大语言模型中不确定性量化从被动诊断指标到主动控制信号的演变，分析其在高级推理、自主代理和强化学习中的应用及贡献。

Comments This paper has been accepted by ACL 2026