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。
为什么基于大语言模型的网络代理会失败？一种分层规划视角
机构 * Department of Computer Science, George Mason University（乔治·马歇尔大学计算机科学系）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.AI
AI总结 本文从分层规划角度分析了LLM网络代理失败原因，发现低层执行是主要瓶颈，改进感知接地和自适应控制对实现人类可靠性至关重要。
Comments Accepted to The 64th Annual Meeting of the Association for Computational Linguistics (ACL) 2026
MPR-GUI：多语言感知与推理GUI代理的基准测试与增强
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） ； Huawei Technologies Co., Ltd（华为技术有限公司）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.AI
AI总结 本文提出MPR-GUI-Bench，通过六种语言和八个细粒度任务评估多语言GUI代理的感知与推理能力，并提出GUI-XLI方法以缩小跨语言差距。
Comments 35pages, 15figures
一个扰动，两种失效模式：通过嵌入引导的字形扰动探测VLM安全性
机构 * Cisco Systems（思科系统）
专题命中 幻觉与鲁棒性 ：VLM(title,title_cn)；vision language model(abstract)；分类 cs.CV
AI总结 本文通过实证研究揭示多模态嵌入距离对VLM攻击成功率的预测作用，并提出基于嵌入引导的字形扰动方法，验证了可读性与安全对齐的交互影响。
QCalEval：用于量子校准图理解的视觉-语言模型基准测试
机构 * NVIDIA ； University of Toronto（多伦多大学） ； IQM Quantum Computers（IQM量子计算机） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； Conductor Quantum（Conductor量子） ； National Physical Laboratory（国家物理实验室） ； Infleqtion ； Harvard University（哈佛大学） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Northwestern University（西北大学） ； EeroQ Corporation（EeroQ公司） ； Royal Holloway University of London（伦敦皇家霍洛威大学） ； Vector Institute for Artificial Intelligence（人工智能向量研究所）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出QCalEval，首个用于评估视觉-语言模型理解量子校准图能力的基准测试，包含243个样本和87种场景类型，测试零样本和上下文学习下的六种问题类型，展示了不同模型的性能差异。
预填充阶段干预用于缓解大视觉-语言模型中的幻觉
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Advanced Research Institute, Chinese Academy of Sciences（上海先进研究院，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出PTI方法，在预填充阶段干预KV缓存以减少幻觉，通过模态感知方向修正错误表示，提升模型可靠性。
Comments Accepted by CVPR 2026
图像在视觉-语言模型中放大虚假信息的传播
机构 * Department of Industrial Engineering, University of Trento（特伦托大学工业工程系） ； Computer Science Department, University College London（伦敦大学学院计算机科学系）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)
AI总结 研究探讨了图像如何影响视觉-语言模型分享新闻内容的倾向，发现图像能提高虚假新闻的分享率，且不同模型对图像的反应存在差异。
Comments Accepted for oral presentation at ICWSM 2026
穿越不确定性：音频感知大语言模型不确定性估计的实证研究
机构 * Graduate Institute of Communication Engineering, National Taiwan University, Taiwan（台湾大学通讯工程研究所） ； Artificial Intelligence Center of Research Excellence (AI-CoRE), National Taiwan University, Taiwan（台湾大学人工智能卓越研究中心）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文研究了音频感知大语言模型的不确定性估计，通过多种方法对比发现语义层面方法在通用音频推理中表现更优，且在可靠性导向任务中效果依赖模型和基准。
Comments Manuscript in progress
知识蒸馏必须考虑其失去的内容
机构 * School of Future Technology, South China University of Technology, China（未来技术学院，华南理工大学，中国）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文指出知识蒸馏需考虑其失去的内容，学生模型应不仅通过保留任务得分判断，还应保留教师能力以确保得分可靠性。提出蒸馏是教师行为的损失性投影，而非忠实复制，并提出场景特定的保留目标和蒸馏损失声明。
从场景到物体：文本引导的双目预测
机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） ； Cho Chun Shik Graduate School of Mobility, Korea Advanced Institute of Science and Technology（Cho Chun Shik 移动研究生院，韩国科学技术院）
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出双分支 gaze 预测框架，通过构建物体级数据集和改进模型架构，实现精准物体级注意力预测，提升语义推理能力。
面向语音保留的面部表情操控的个性化跨模态情感相关学习
机构 * Guangdong University of Technology（广东工业大学） ； South China University of Technology（华南理工大学） ； Peking University（北京大学） ； Sun Yat-Sen University（中山大学）
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出PCMECL算法，通过个性化提示和特征差分提升跨模态对齐，解决面部表情操控中情感操控的监督问题。
Libra-VLA：通过异步粗到细双系统实现学习平衡
机构 * Beihang University（北航） ； AgiBot
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 Libra-VLA通过粗到细双系统架构，解决视觉-语言-动作模型在机器人操作中语义与动作间的鸿沟问题，实现训练平衡与高效执行。
Comments Accepted to the Main Conference of ACL 2026. Project page: https://libra-vla.github.io/
具有用户反馈的交互式事件记忆
机构 * University of Utah（犹他大学） ； University of Verona（威尼斯大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出EM-QnF任务，通过用户反馈和补充信息提升事件记忆查询的准确性，引入FALM模块实现高效交互式优化，优于现有方法并在现实场景中表现良好。
Comments Accepted to CVPR 2026. Project Page: https://nsubedi11.github.io/refocus
个性化工具包：无需训练的大型视觉语言模型个性化
机构 * Toyota Motor Europe（丰田欧洲公司）
专题命中 其他VLM ：vision language model(title)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出无需训练的LVLM个性化方法，通过预训练视觉基础模型提取特征，结合检索增强生成技术实现多概念个性化，适用于图像和视频。
Comments Accepted at Transactions on Machine Learning Research (TMLR) 2026
HuM-Eval: 一种以人为中心的视频评估框架
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 其他VLM ：vision language model(abstract)；分类 cs.CV
AI总结 本文提出HuM-Eval框架，通过粗到细策略评估生成视频中的人体运动质量，实验显示其在人体相关性上达到58.2%的平均值，优于现有方法。
Comments Accepted to the 2026 IEEE International Conference on Multimedia and Expo (ICME 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