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。
PLaMo 2.1-VL 技术报告
机构 * Preferred Networks, Inc.
专题命中 视觉问答 ：VLM(abstract,abstract_cn)；vision language model(abstract)；visual question answering(abstract)；grounding(abstract)
AI总结 PLaMo 2.1-VL 是一种轻量级视觉语言模型，适用于自主设备的本地和边缘部署，支持日语操作。该模型在视觉问答和视觉定位任务中表现优异，应用于工厂任务分析和基础设施异常检测，取得了显著的性能提升。
Comments 35 pages, 9 figreus
重新思考多模态问答中的信息合成：多智能体视角
机构 * Arizona State University（亚利桑那州立大学）
专题命中 视觉问答 ：VLM(abstract,abstract_cn)；visual language model(abstract)；multimodal large language model(abstract)
AI总结 本文提出多智能体框架MAMMQA，通过分解查询、跨模态推理和整合答案，提升多模态问答的准确性和可解释性。
少即是多：通过自适应帧剪枝和语义图集成实现高效的视频问答
机构 * The Hong Kong University of Science and Technology (Guangzhou), China（香港科技大学（广州）中国） ； The Hong Kong University of Science and Technology, Hong Kong SAR, China（香港科技大学，香港特别行政区，中国）
专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出一种结合自适应帧剪枝和轻量级语义图的框架，有效减少视频问答中输入token数量，提升效率并增强基模型性能。
Comments Accepted to CVPR 2026 Findings
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026
DUALVISION：用于鲁棒视觉推理的RGB-红外多模态大语言模型
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Amazon（亚马逊） ； Northeastern University（东北大学）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；visual reasoning(title)；分类 cs.CV
AI总结 本文提出DUALVISION，通过局部化交叉注意力融合IR-RGB信息，提升多模态大语言模型在视觉退化条件下的性能，并引入DV-204K和DV-500数据集进行评估。
Comments Accepted at CVPR Findings 2026
视觉推理代理：通过推理时缩放实现遥感中的稳健视觉系统
机构 * University of West Florida（西弗吉尼亚大学） ； United States Military Academy（美国军事学院）
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出视觉推理代理（VRA），通过迭代的Think-Critique-Act循环，结合预训练的大规模视觉-语言模型和推理模型，提升遥感任务中的视觉推理能力，实现在挑战性问题上的40.67%提升。
Comments Accepted to MORS 2026 Artificial Intelligence Workshop Proceedings
视角运动：层次推理与扩散用于中心视觉-语言运动生成
机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology (ICT), Chinese Academy of Sciences (CAS)（智能信息处理重点实验室，计算技术研究所（ICT），中国科学院（CAS）） ； Jilin University (JLU)（吉林大学（JLU）） ； Beijing University of Posts and Telecommunications (BUPT)（北京邮电大学（BUPT）） ； University of the Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出EgoMotion框架，通过层次推理和扩散模型生成基于第一视角视觉和语言指令的3D人类运动，解决语义推理与运动建模的协同优化问题，提升多模态接地和运动质量。
Comments 12 pages, 3 figures
基于LLM的多模态推理用于视觉语义算术
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract_cn)；分类 cs.AI
AI总结 本文提出两种新型任务和IRPD数据集，通过SAri-RFT方法提升大视觉语言模型的跨模态关系推理能力，实现视觉语义算术的突破。
视觉-表格问答：面向表格图像推理的开放领域基准
机构 * École de Technologie Supérieure（埃克塞技术学院）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出Visual-TableQA，一个大规模开放领域多模态数据集，用于评估和提升视觉推理能力，包含2500个LaTeX渲染表格和6000对推理密集型问答对，通过多模型协作生成，验证了模型在外部基准上的鲁棒性。
Comments Accepted at the First Workshop on Foundations of Reasoning in Language Models, NeurIPS 2025. Available at: https://openreview.net/forum?id=fvJRsGwhPf
从逐字到概要：基于语义信息瓶颈的金字塔多模态记忆压缩用于长视界视频智能体
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区） ； Peng Cheng Laboratory（鹏城实验室）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MM-Mem架构，通过金字塔多模态记忆压缩，结合语义信息瓶颈目标，实现长视界视频理解中的高效记忆组织与任务相关信息保留。
Comments Accepted by ACL 2026 Main. 17 pages, 7 figures, 8 tables. TL;DR: We propose MM-Mem, a cognition-inspired, dual-trace hierarchical memory framework for long-horizon video understanding grounded in Fuzzy-Trace Theory. It features adaptive memory compression via the Information Bottleneck and employs an entropy-driven top-down retrieval to access fine-grained details only when necessary
PuzzleWorld: 一个用于谜题 hunt 中多模态、开放式推理的基准
机构 * MIT Media Lab and MIT EECS（MIT媒体实验室和MIT电子工程与计算机科学系）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 PuzzleWorld 是一个包含667个谜题 hunt 风格问题的基准，用于评估逐步、开放式和创造性多模态推理。每个谜题都标注了最终答案、详细推理轨迹和认知技能标签，揭示了当前模型在推理中的局限性。
像人类一样探索：面向具身智能体的在线SG-Memo构建自主探索
机构 * Alibaba Group（阿里巴巴集团）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出ABot-Explorer框架，通过在线RGB-only过程统一记忆构建与探索，利用VLMs提取语义导航 affordances，生成结构化SG-Memo以提升探索效率和环境覆盖。
弥合基础模型与ASTM冶金标准以实现显微图像中的晶粒尺寸自动估计
机构 * University of Central Florida（中央佛罗里达大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出一种结合Cellpose-SAM和ASTM E112 Jeffries平面模块的自动化管道，用于显微图像中的密集实例分割和晶粒尺寸估计，通过拓扑感知梯度追踪和适应性提示生成，实现高精度的冶金评估。
Comments Accepted at the 11th IEEE Workshop on Computer Vision for Multimodal Microscopy Image Analysis (CVMI), CVPR Workshops 2026
表征AlphaEarth嵌入几何用于代理环境推理
机构 * Dartmouth Libraries（达特茅斯图书馆） ； Dartmouth College（达特茅斯学院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文研究AlphaEarth嵌入几何结构，开发代理系统用于环境推理，发现其非欧几里得特性及检索优于线性方法。
A-MAR：基于代理的多模态艺术检索用于细粒度艺术作品理解
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Bristol（布里斯托大学） ； Amazon AGI（亚马逊人工智慧） ； College of Business and Economics（商学院和经济学学院） ； University of Johannesburg（约翰内斯堡大学）
专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出A-MAR框架，通过结构化推理计划显式指导多模态艺术检索，提升解释质量和证据 grounding 能力，在艺术领域验证了代理式多模态推理的有效性。
Journal ref ICMR 2026, ACM International Conference on Multimedia Retrieval
AD-Copilot：通过视觉上下文比较实现工业异常检测的视觉-语言助手
机构 * Department of Computer Science and Engineering, Southern University of Science and Technology（计算机科学与工程系，南方科技大学） ； Macau University of Science and Technology（澳门科技大学） ； Tencent YouTu Lab（腾讯YouTu实验室） ； Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Centre for Frontier AI Research, A*STAR（前沿人工智能研究中心，A*STAR）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 AD-Copilot通过视觉上下文比较提升工业异常检测性能，采用新颖的数据筛选流程和比较编码器，在多个基准测试中取得优异成绩，超越人类专家水平。
Comments Code and models are released at https://github.com/jam-cc/AD-Copilot
自主骨骼标志点定位以实现智能C臂控制
机构 * University of Vermont（佛蒙特大学） ； Cleveland Clinic（克利夫兰诊所）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文研究了利用多模态大语言模型实现C臂控制中骨骼标志点的自主定位，通过实验验证了其在准确性和推理能力上的优势，为智能C臂控制提供了新方法。
Comments Accepted at IJCARS: IPCAI 2026. Int J CARS (2026)
ViDoRe V3：对复杂现实场景中检索增强生成的综合评估
机构 * Illuin Technology（Illuin技术公司） ； NVIDIA ； CentraleSupélec, Paris-Saclay（巴黎萨克雷中央理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 ViDoRe V3是一个多模态检索增强生成基准，涵盖10个专业领域数据集，通过12000小时人工标注评估先进RAG管道，发现视觉检索优于文本检索，晚期交互模型和文本重排序显著提升性能，但模型在非文本元素、开放性查询和细粒度视觉定位上仍有不足。
SAVOIR：通过基于Shapley的奖励归因学习社交能力
机构 * The University of Hong Kong（香港大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出SAVOIR框架，基于合作博弈理论解决语言代理训练中的信用分配问题，通过预期效用转移和Shapley值实现公平奖励分配，实验显示其在SOTOPIA基准上达到新状态-of-the-art性能。
Comments ACL 2026 Findings
对齐后再细化：基于文本的3D前列腺病变分割
机构 * Department of Radiology, Northwestern University, Chicago, USA（放射科，西北大学，芝加哥，美国） ； Department of Urology, Northwestern University, Chicago, USA（泌尿科，西北大学，芝加哥，美国） ； Center for Cancer Research, National Cancer Institute, Bethesda, USA（癌症研究中心，国家癌症研究所，贝塞斯达，美国）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出一种多编码器U-Net架构，通过引入对齐损失、热图损失和置信度门控多头交叉注意力细化模块，提升前列腺病变分割的精度和多模态融合能力。
Comments Accepted to EMBC 2026
通过文本监督实现弱监督的指称视频对象分割
机构 * College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出WSRVOS方法，通过文本表达训练模型，利用对比学习生成正负表达，实现细粒度多模态对齐，并引入实例感知分类和伪掩码融合策略，提升视频对象分割性能。
Comments Accepted by CVPR 2026 Findings
记忆超越映射：无需重建的3D物体定位
机构 * University of Zurich（苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出无需重建的3D物体定位方法，通过轻量级视觉记忆实现快速场景索引，显著降低预处理成本，验证了基于图像的场景记忆可替代密集3D重建。
Comments 8 pages, 6 figures
弥合语义与几何：一种解耦的LVLM-SAM框架用于光学遥感中的推理分割
机构 * School of Electronic Engineering, Xidian University, Xi'an, Shaanxi 710071, China（西安电子科技大学电子工程学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出解耦的LVLM-SAM框架，通过结构化几何提示优化，提升光学遥感中推理分割的性能，实现语义与几何的结合。
Qwen3.5-Omni 技术报告
机构 * Qwen Team（通义实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 Qwen3.5-Omni在多模态能力上取得突破，支持256k上下文长度和多语言理解，通过混合注意力MoE架构实现高效推理，并引入ARIA提升语音合成稳定性。
基于MLLM的视觉丰富文档理解综述：方法、挑战与新兴趋势
机构 * The University of Western Australia（西澳大学） ； The University of Melbourne（墨尔本大学） ； Weill Cornell Medicine（韦尔·柯尔医学中心）
专题命中 文档图表理解 ：MLLM(title,title_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文综述了基于MLLM的视觉丰富文档理解最新进展，探讨了文本、视觉和布局特征的表示与整合技术，以及预训练、指令微调等训练方法，分析了数据稀缺、多页文档处理等挑战及新兴趋势。
Comments Accepted at ACL 2026 Findings
Q-Mask：面向OCR的视觉语言模型中基于查询的因果遮罩用于文本锚定
机构 * MiLM Plus（小米公司）
专题命中 文档图表理解 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；visual question answering(abstract)；grounding(abstract)
AI总结 本文提出Q-Mask框架，通过因果查询驱动的遮罩解码器提升OCR任务中文本锚定的准确性与稳定性，结合大规模标注数据集提升视觉语言模型对文本区域的识别能力。
OmniParser V2：结构化思维点用于统一的视觉文本解析及其在多模态大语言模型中的通用性
机构 * School of Information Science and Engineering, East China University of Science and Technology（东华大学信息科学与工程学院） ； School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院） ； Alibaba Group（阿里巴巴集团）
专题命中 文档图表理解 ：multimodal large language model(title,abstract)；分类 cs.CV
AI总结 本文提出OmniParser V2，通过结构化思维点提示方案统一视觉文本解析任务，简化流程并提升性能，在多个数据集上取得最佳结果，并验证其在多模态大语言模型中的通用性。
Comments Accepted by IEEE TPAMI
为分子结构识别微调DeepSeek-OCR-2
机构 * Department of Computer Science, Princeton University, Princeton, NJ, USA（普林斯顿大学计算机科学系） ； School of Pharmacy, University of Pittsburgh, Pittsburgh, PA, USA（匹兹堡大学药学院） ； Khoury College of Computer Science, Northeastern University, Boston, MA, USA（东北大学Khoury计算机科学学院） ； Computational Chemical Genomics Screening Center, University of Pittsburgh, Pittsburgh, PA, USA（匹兹堡大学计算化学基因组筛选中心）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出通过图像条件生成SMILES的方法微调DeepSeek-OCR-2，采用分阶段监督微调策略提升稳定性，训练数据结合合成图像和专利图像，模型在精确匹配上表现良好但不如图结构模型。
See2Refine：视觉语言反馈提升基于LLM的eHMI动作设计
机构 * The University of Tokyo（东京大学） ； University College London（伦敦大学学院） ； Google（谷歌）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 See2Refine通过视觉语言模型的反馈机制，提升基于大语言模型的eHMI动作设计能力，实现无需人工干预的闭环改进，优于传统提示和人工指定基线。
Comments Accepted to ACL2026
VLA Foundry：一种统一训练视觉-语言-动作模型的框架
机构 * Toyota Research Institute（丰田研究院）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 VLA Foundry 提供了一个统一的训练框架，整合了大语言模型、视觉语言模型和视觉-语言-动作模型的训练，支持从头训练和预训练模型，并在 LBM Eval 模拟器上评估了闭合回路策略性能。
Comments 32 pages, 16 figures, technical report
SpanVLA: 一种高效的视觉-语言-动作模型，通过负样本恢复学习实现动作桥接与学习
机构 * University of California, Los Angeles, USA（加州大学洛杉矶分校） ； Motional, USA（Motional公司） ； Northeastern University, USA（东北大学）
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SpanVLA，一种端到端自动驾驶框架，结合自回归推理与流匹配动作专家，通过高效桥接和负样本恢复学习提升推理效率和鲁棒性。
Comments Project page: https://spanvla.github.io/
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