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。
变分视觉问答用于不确定性感知的选择性预测
机构 * TU Darmstadt（图宾根大学）
专题命中 视觉问答 ：visual question answering(title,abstract)；vision language model(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出变分VQA方法，通过变分贝叶斯方法提升视觉问答和视觉推理任务的可靠性，尤其在低误差容忍度下表现优异，且优于AdamW训练模型。
Comments TMLR April 2026 version. 13 pages main paper, 31 pages with appendix. Updated bibliography
Journal ref Transactions on Machine Learning Research (2026)
ATIR：面向音频-文本交错上下文检索
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院）
专题命中 视觉问答 ：MLLM(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出ATIR任务，通过整合ASR、QA和检索数据集构建基准，解决现有音频检索数据集在语义检索上的局限，引入新的token压缩机制提升MLLM在ATIR中的性能。
逐步多模态搜索与推理用于知识密集型视觉问答
机构 * Interdisciplinary Program in Artificial Intelligence（人工智能交叉学科项目） ； Department of Intelligence and Information（智能与信息系） ； Samsung Advanced Institute of Technology（三星先进技术研究院）
专题命中 视觉问答 ：visual question answering(title,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出PMSR框架，通过逐步构建结构化推理轨迹提升知识获取与综合能力，实验显示在六个基准测试中提升了检索召回率和端到端回答准确性。
WildFireVQA: 一种大规模的辐射热视觉问答基准用于空中 wildfire 监测
机构 * Clemson University（克莱姆森大学）
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出WildFireVQA基准，整合RGB影像与辐射热数据，包含6097个样本及207298个问题，评估多模态推理能力，揭示RGB和检索增强热上下文在 wildfire 监测中的表现差异。
Journal ref IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR-W 2026)
面向位置的预训练方法用于医学差异视觉问答
机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University, Kigali, Rwanda（电气与计算机工程系，卡内基梅隆大学，刚果（金）基利齐） ； University of Melbourne, Melbourne, Australia（墨尔本大学，墨尔本，澳大利亚）
专题命中 视觉问答 ：visual question answering(title)；分类 cs.CV、cs.AI
AI总结 本文提出一种面向位置的预训练框架，结合AREF、GCAP和CAREF任务，提升医学差异VQA中细粒度空间视觉表征能力，实现胸部X光图像中临床相关变化的准确识别与推理。
Comments 11 pages
双重因果推断：整合后门调整与工具变量学习用于医疗视觉问答
机构 * School of Microelectronics, Tianjin University（天津大学微电子学院） ； Department of Orthopedics, Affiliated Kunshan Hospital of Jiangsu University（江苏大学附属昆山医院骨科部） ； Department of Clinical Laboratory, The Third Central Hospital of Tianjin（天津第三中心医院临床实验室） ； School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出双重因果推断框架，通过整合后门调整和工具变量学习，解决医疗视觉问答中多模态数据中的内在偏见问题，提升模型的诊断推理可靠性。
Infection-Reasoner: 一种用于伤口感染分类的紧凑视觉-语言模型，结合证据支撑的临床推理
机构 * Worcester Polytechnic Institute（沃斯特理工学院） ； UMass Chan Medical School（UMass Chan医学院）
专题命中 视觉推理 ：vision-language model(title,abstract)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出Infection-Reasoner，一种紧凑的视觉-语言模型，通过两阶段训练提升伤口感染分类和推理生成的准确性与解释性，实验结果显示其在分类和推理质量上优于现有方法。
SSL-R1: 多模态大语言模型的自监督视觉强化后训练
机构 * Max Planck Institute for Informatics, SIC（马克斯·普朗克信息研究所，SIC） ； VIA Research Center（VIA研究中心） ； Google（谷歌）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 SSL-R1通过自监督学习生成可验证奖励，提升多模态大语言模型的推理能力，无需人工或外部监督，有效增强视觉理解。
V-tableR1：基于过程监督的多模态表格推理与批评引导的策略优化
机构 * School of Astronautics Beihang University（北航航天学院） ； Longcat Interaction Team Meituan（美团长猫交互团队） ； Tianmushan Laboratory Beihang University（北航天门实验室）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；visual reasoning(abstract)；grounding(abstract)；multimodal large language model(abstract)
AI总结 V-tableR1通过过程监督强化学习框架，利用表格的确定性网格结构，提升多模态大语言模型的推理能力，通过批评引导策略优化方法，实现更严谨的逻辑推导，取得开放源代码模型在复杂表格基准上的最佳性能。
Comments 15 pages, 4 figures, 4 tables
通过工具监督强化学习进行视觉推理
机构 * Northeastern University（东北大学） ； Amazon AGI（亚马逊人工智能研究院）
专题命中 视觉推理 ：visual reasoning(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出工具监督强化学习框架，通过简单可解释的视觉工具提升多模态大语言模型的复杂视觉推理能力，实验表明其高效且具备强大工具使用能力。
Comments Accepted to CVPR 2026 Findings. 17 pages
OMIBench：用于大型视觉-语言模型在奥林匹克级多图像推理中的基准测试
机构 * Research Center for Social Computing and Interactive Robotics（社会计算与交互机器人研究室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Central South University（中南大学） ； Fudan University（复旦大学） ； The University of Hong Kong（香港大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Text Computing and Cognitive Intelligence Ministry of Education Engineering Research Center（教育部文本计算与认知智能工程研究中心） ； Guizhou University（贵州大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 OMIBench旨在评估多图像推理能力，包含生物、化学、数学和物理奥林匹克问题，提供精确和语义答案匹配的评估协议，实验显示现有模型性能存在显著差距。
Comments ACL 2026 Camera Ready
SurgCoT：通过链式推理基准提升手术视频中的时空推理
机构 * School of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； University of Nottingham（诺丁汉大学） ； School of AI, Shenzhen University（深圳大学人工智能学院） ； Guangdong Provincial Key Laboratory of Intelligent Information Processing, Shenzhen University（广东省智能信息处理重点实验室）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 SurgCoT通过统一的链式推理框架评估多模态大语言模型在7个外科领域35种手术中的时空推理能力，揭示了商业模型在手术推理中的优势及现有模型的不足。
Comments Accept by CVPR2026
ProMMSearchAgent：一种通过过程导向奖励训练的通用多模态搜索代理
机构 * East China Normal University（东中国师范大学） ； Shanghai Innovation Institute（上海创新研究院） ； Huawei Noah's Ark Lab（华为诺亚实验室） ； Independent Researcher（独立研究者） ； University College London（伦敦大学学院）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出ProMMSearchAgent，通过过程导向奖励解决多模态代理在知识密集型视觉推理中的训练难题，实现零样本迁移至Google搜索API。
何处与何物：在情境对话推荐中推理动态和隐性偏好
机构 * Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系） ； College of Computer Science, Sichuan University（四川大学计算机学院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出SiPeR框架，通过场景转换估计和贝叶斯逆推推理，提升情境对话推荐的准确性和响应质量。
Comments Accpeted by ACL 2026
R-CoV：区域感知的验证链用于减轻LVLMs中的物体幻觉
机构 * Max Planck Institute for Informatics, SIC（马克斯·普朗克信息研究所，SIC） ； VIA Research Center（VIA研究中心） ； Google（谷歌）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 R-CoV通过区域感知的验证链方法，减轻LVLMs中的物体幻觉问题，采用六步流程，无需额外训练即可集成至多种LVLMs，实验表明有效缓解幻觉。
从生成视角探索空间智能
机构 * Zhejiang University（浙江大学） ； State Key Laboratory of CAD & CG（计算机辅助设计与图形学国家重点实验室） ； Ant Group（蚂蚁集团） ； Westlake University（西湖大学） ； Zhejiang University of Technology（浙江工业大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出GSI-Bench，首个评估生成空间智能的基准，通过空间 grounded 图像编辑量化空间合规性与编辑保真度，实验表明生成训练可提升空间推理能力。
Comments Accepted by CVPR 2026. Project page: https://aim-uofa.github.io/GSI-Bench/
MirrorBench: 通过引入镜像评估多模态大语言模型中的自中心智能
机构 * Shanghai AI Lab（上海人工智能实验室）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 MirrorBench通过引入镜像测试，系统评估多模态大语言模型的自中心智能，揭示其在基础视觉感知到高级自我表征方面的局限性。
SAKE: 为基于地面的多模态命名实体识别的自我意识知识利用-探索
机构 * Sun Yat-sen University（中山大学） ； Shandong Normal University（山东师范大学） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Southeast University（东南大学）
专题命中 视觉推理 ：multimodal large language model(abstract)
AI总结 针对开放世界社交媒体平台中长尾、快速演变和未见实体的挑战，SAKE提出一种端到端代理框架，通过自我意识推理和自适应搜索工具调用，结合内部知识利用和外部知识探索，提升多模态命名实体识别的精度与鲁棒性。
Comments 23 pages, 12 figures
Re:Verse -- 能读懂漫画吗？
机构 * University of Central Florida（中央佛罗里达大学） ； Indian Institute of Technology, Jodhpur（印度理工学院，朱达浦尔） ； Indian Institute of Technology, Varanasi（印度理工学院，瓦拉纳西）
专题命中 视觉定位与Grounding ：VLM(title,summary_cn)；vision language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文通过分析漫画叙事理解，揭示现有VLM在时间因果和跨面板连贯性上的不足，提出新的评估框架，系统研究长篇叙事理解能力。
Comments Accepted (oral) at ICCV (AISTORY Workshop) 2025
Journal ref 2025 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), pp. 3820-3830
MMCORE：多模态连接与表征对齐的潜在嵌入
机构 * ByteDance Seed（字节跳动种子）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；grounding(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 MMCORE通过预训练视觉-语言模型生成语义视觉嵌入，结合扩散模型实现多模态图像生成与编辑，提升生成质量并降低计算开销。
基于感知增强的视觉-语言模型的物体指称引导的注视路径预测
机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV
AI总结 本文提出ScanVLA模型，通过融合视觉和语言特征提升物体指称引导的注视路径预测性能，引入历史增强解码器和冻结分割LoRA辅助定位，提升预测精度且不增加计算成本。
Comments ICMR 2026
定位后检查：基于区域的推理提升AI生成图像的检测
机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出LTE框架，通过定位可疑区域并重新检查以提升AI生成图像检测的准确性和鲁棒性，提供可理解的区域级解释。
Comments 18 pages, 11 figures (including supplementary material)
Cortex 2.0：在真实工业部署中将世界模型接地
机构 * Sereact GmbH（Sereact公司）
专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.AI
AI总结 Cortex 2.0通过在视觉潜在空间中生成候选未来轨迹并评分，实现了从反应式控制到计划与行动的转变，展示了在复杂工业环境中可靠的世界模型规划。
Comments 20 pages, 13 figures
IVY-FAKE：图像和视频AIGC检测的统一可解释框架和基准
机构 * Nanjing University+（南京大学+）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出IVY-FAKE，首个大规模多模态可解释AIGC检测基准，包含106000+丰富标注样本和5000个手动验证示例，通过GRPO强化学习模型实现可解释推理，提升多基准检测性能，显著优于现有方法。
Comments 30 pages
通过视觉-语义和时空框架诊断城市街道活力
机构 * School of Economics and Management, Southeast University（经济管理学院，东南大学） ； School of Information Science and Engineering, Southeast University（信息科学与工程学院，东南大学） ； School of Architecture, Southeast University（建筑学院，东南大学）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出基于视觉-语义和时空框架的街道经济活力指数，结合时空数据和LBS信息，揭示街道活力的时空异质性及品牌层级影响。
Comments Submitted to ACM Transactions on Spatial Computing. This paper is currently under review
LaplacianFormer：重新思考线性注意力与拉普拉斯核
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； China Electronics Data Corporation（中国电子数据公司） ； Institute of Computing Technology, Chinese Academy of Sciences（计算技术研究所，中国科学院） ； The Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center, Qilu University of Technology（计算能力网络与信息安全重点实验室，教育部，山东计算机科学中心，齐鲁大学） ； Shandong Provincial Key Laboratory of Computing Power Internet and Service Computing, Shandong Fundamental Research Center for Computer Science（山东省计算能力互联网与服务计算重点实验室，山东省计算机科学基础研究中心） ； Spatialtemporal AI（时空人工智能）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 LaplacianFormer通过引入拉普拉斯核替代softmax，解决高分辨率视觉任务中注意力机制的二次复杂度问题，提升表达能力并优化计算效率。
SolidCoder：通过具体执行弥合LLM代码生成中的心理现实差距
机构 * Electronics and Telecommunications Research Institute, Republic of Korea（韩国电信研究所）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 SolidCoder通过强制边缘情况意识和沙盒执行解决心理现实差距，提升代码生成性能，实现HumanEval、CodeContests和APPS的高准确率。
Comments 23 pages, 2 figures, Accepted at Findings of ACL 2026
言多必失：一种量化大语言模型中认知-修辞失配的框架
机构 * National University of Science and Technology（科学与技术国家大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出一种量化大语言模型认知与修辞失配的框架，通过设计三元认知-修辞标记分类法，发现LLM生成文本在修辞强度和认知基础之间存在系统性失配。
Comments 19 pages, 7 figures, Paper Under Review by the Elsevier Journal Assessing Writing
AnchorSeg: 语言引导的查询库用于推理分割
机构 * College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 AnchorSeg通过结构化语言引导查询库将推理分割建模为图像标记上的条件生成过程，通过显式分离空间定位与语义推理，实现67.7%的gIoU和68.1%的cIoU的SOTA结果。
Comments This work has been accepted to ACL 2026, please refer to https://github.com/rui-qian/AnchorSeg
SynSpill：基于合成数据的改进工业泄漏检测
机构 * University of Central Florida（佛罗里达中央大学） ； Siemens Energy（西门子能源）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 针对工业泄漏检测中数据稀缺问题，提出基于高质量合成数据生成的框架，通过参数高效微调提升VLMs和检测器性能，实现安全关键领域的有效应用。
Comments Accepted at ICCV (VISION'25 Workshop) 2025
Journal ref 2025 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), pp. 1425-1434
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