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。
OpenLifelogQA：一个开放式多模态生活日志问答数据集
专题命中 视觉问答 ：LLaVA(summary_cn,abstract)
AI总结 OpenLifelogQA数据集包含14187对问答对，用于支持真实场景下的鲁棒评估，相比现有资源更适用于实际应用，通过评估LLaVA-NeXT-Interleave 7B模型展示了其在生活日志问答中的性能。
Comments In the proceedings of the 14th International Symposium on Information and Communication Technology
FLARE：完全整合视觉-语言表示以实现深度跨模态理解
机构 * Peking University Shanghai AI Laboratory（北京大学上海人工智能实验室） ； Nanjing University（南京大学） ； Peking University（北京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Zhongguancun Academy Beijing Key Laboratory of Data Intelligence and Security（中关村北京数据智能与安全重点实验室）
专题命中 视觉问答 ：LLaVA(abstract,abstract_cn)；vision language model(abstract)；分类 cs.CV
AI总结 FLARE通过全视觉-语言对齐与整合范式实现深度跨模态理解，提出文本引导视觉编码、上下文感知对齐解码、双语义映射损失和文本驱动VQA合成等核心方法，展现优于现有方法的性能与泛化能力。
HealthNLP_Retrievers在ArchEHR-QA 2026中的表现：基于级联LLM管道的 grounded临床问答
机构 * University of Maryland Baltimore County（马里兰大学巴尔的摩县分校） ； Jahangirnagar University（贾旺吉拉大学）
专题命中 视觉问答 ：grounding(abstract,abstract_cn)；分类 cs.LG
AI总结 本文提出基于Gemini 2.5 Pro的级联管道，通过多阶段模块实现患者问题理解、证据检索与回答生成，提升临床问答的准确性和专业性。
忠实性问答：一个用于训练上下文忠实RAG模型的反事实实体替换数据集
机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出Faithfulness-QA数据集，通过反事实实体替换生成可控的知识冲突，旨在训练上下文忠实的RAG模型并评估其上下文接地行为。
ChartVerse: 通过从零开始可靠程序合成实现图表推理的扩展
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhongguancun Academy（中关村学院） ； Beijing Key Laboratory of Software and Hardware Cooperative Artificial Intelligence Systems（北京市软件与硬件协同人工智能系统重点实验室）
专题命中 视觉问答 ：vision language model(abstract)；分类 cs.CV
AI总结 ChartVerse通过从零开始生成复杂图表和可靠推理数据，解决开放源模型开发中高质量训练数据缺乏的问题，采用RPE量化图表复杂度并生成高复杂度图表，结合truth-anchored inverse QA合成和CoT蒸馏提升推理深度。
Comments 29 pages
BioGraphletQA: 基于知识图谱的复杂问答数据集生成
机构 * IEETA, DETI, LASI, University of Aveiro（IEETA、DETI、LASI、阿维罗大学） ； USF Atlântico Norte（大西洋北USF）
专题命中 视觉问答 ：grounding(abstract)
AI总结 本文提出一个系统化生成复杂问答数据的框架，通过图let锚定生成过程，利用知识图谱的小子图控制生成复杂度并确保事实准确性。BioGraphletQA数据集包含119,856对问答，基于OREGANO知识图谱的图let生成，提升问答任务的准确性和科学性。
Comments 15 pages, 7 figures, conference (ECIR)
Journal ref Advances in Information Retrieval: 48th European Conference on Information Retrieval, ECIR 2026, Delft, The Netherlands, March 29 - April 2, 2026, Proceedings, Part IV
World2VLM: 将世界模型的想象能力蒸馏到VLM中以实现动态空间推理
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Wuhan AI Research（武汉人工智能研究院）
专题命中 视觉推理 ：VLM(title_cn,summary_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出World2VLM框架，通过蒸馏生成式世界模型的空间想象能力到VLM中，提升动态空间推理性能，优于基线模型和测试时世界模型耦合方法。
Comments The code is available at https://github.com/WanyueZhang-ai/World2VLM. The dataset is available at https://huggingface.co/datasets/WanyueZhang/World2VLM
MARVIS：基于可视化模态自适应推理
机构 * Stanford University（斯坦福大学） ； Prior Labs（Prior实验室） ； New York University（纽约大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract_cn)；分类 cs.LG
AI总结 MARVIS通过将潜在嵌入空间转换为可视化表示，并利用VLM的空间和细粒度推理能力，实现跨视觉、音频、生物和表格域的预测，以3B参数模型在多个领域超越Gemini 2.0。
用草图思考：通过逻辑重建实现光学解压
机构 * Shenyang Institute of Computing Technology, Chinese Academy of Sciences（中国科学院沈阳计算技术研究所） ； University of Chinese Academy of Sciences 3 ByteDance 4 Westlake University（中国科学院大学 3 字节跳动 4 西湖大学） ； Key Laboratory of Computing Power Network（计算功率网络重点实验室） ； Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（信息安全，教育部，山东计算机科学中心（济南国家超级计算中心），齐鲁工业大学（山东省科学院））
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；multimodal large language model(abstract)
AI总结 本文提出通过逻辑重建实现光学解压，引入TwD方法，利用领域特定语言作为中间表示，以生成可执行代码的视觉证明，建立视觉生成与逻辑验证的闭环系统。
时间盲：为什么视频语言模型无法看到人类能看见的东西？
机构 * KAUST（卡士大学） ； VILA Lab, MBZUAI（VILA实验室，MBZUAI）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究揭示视频语言模型在处理纯时间序列信息时的局限性，提出SpookyBench基准测试，显示人类在识别时间序列中的形状、文本和模式上准确率高达98%，而最先进的VLMs却无法做到，指出模型过度依赖空间特征而非时间线索。
Comments Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026 Project page at https://timeblindness.github.io
超越捷径：通过定性推理缓解冻结VLM中的视觉错觉
机构 * Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（人工智能研究院，合肥国家科学中心） ； Anhui Polytechnic University（安徽理工大学） ； Hefei University of Technology（合肥工业大学） ； Anhui University（安徽大学） ； IGS, Imperial College London（帝国理工学院伦敦分校）
专题命中 视觉定位与Grounding ：VLM(title_cn,summary_cn)；grounding(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出SQI框架，通过定性约束提升冻结VLM的视觉 grounding，解决视觉错觉问题，实验显示在DataCV 2026挑战中表现优异，提升准确率并提供更好的可解释性。
Comments 4 pages, 2 figures, and 1 table. This is a methodology paper for the DataCV 2026 Challenge (CVPR Workshops), Task 1, where our method ranked 2nd
通过语言引导的语义线索实现对遮挡和小物体的鲁棒接地
机构 * Integrated Vision Language Lab.（集成视觉语言实验室）
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出通过语言引导的语义线索提升MLLM在拥挤场景中的接地能力，通过语义线索提取器和文本嵌入引导优化对象语义，实验表明能有效提高接地精度。
Comments 4 pages, 2 figures, ICASSP 2026
基础性与组成性：神经符号系统中推理非互补性研究
机构 * Place-Beyond-Bytes
专题命中 视觉定位与Grounding ：grounding(title,summary_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究指出神经符号系统中组成性推理并非符号 grounding 的副产品，通过 iLTN 实验证明仅依赖 grounding 无法实现泛化，联合训练 grounding 与推理可提升零样本准确性。
Comments Accepted at AAAI MAKE 2026
多一致的2D-3D映射用于鲁棒的零样本3D视觉定位
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（Inria巴黎-鲁克蒙特研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒实验室）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV
AI总结 本文提出MCM-VG框架，通过建立多一致的2D-3D映射实现鲁棒的零样本3D视觉定位，解决开放词汇3D提案质量差的问题，提升目标定位和推理的准确性。
SurgiSR4K：一种用于机器人辅助微创手术的高分辨率内窥镜视频数据集
机构 * Intuitive Surgical, Inc.（Intuitive Surgical公司） ； Johns Hopkins Medicine Neurosurgery（约翰霍普金斯医学神经外科） ； Johns Hopkins University Electrical and Computer Engineering（约翰霍普金斯大学电气与计算机工程） ； University of British Columbia Electrical and Computer Engineering（不列颠哥伦比亚大学电气与计算机工程） ； Wilford & Kate Bailey Small Animal Teaching Hospital（威尔福德与凯蒂·贝利小动物教学医院）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SurgiSR4K数据集，用于提升微创手术的视觉清晰度和计算机辅助导航精度，包含4K分辨率的手术视频，涵盖镜面反射、工具遮挡等挑战性场景，支持超分辨率、烟雾去除等多任务研究。
Journal ref Machine Learning for Biomedical Imaging, Vol. 3, 2025, pp. 875-885
增强检索的多模态模型用于虚假新闻检测
机构 * University of International Business and Economics（国际商务经济大学） ； Peking University（北京大学） ； University of Southern California（南加州大学） ； Upstart Holdings, Inc.（Upstart Holdings公司）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)
AI总结 本文提出RAMM模型，通过多模态大语言模型和抽象叙述对齐模块，解决虚假新闻检测中跨实例叙述一致性缺失和领域知识不足的问题，实验验证了其有效性。
Comments Accepted to SIGIR 26
证据树：高效的'系统2'搜索用于忠实的多模态接地
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.LG
AI总结 本文提出Tree-of-Evidence算法，通过离散优化问题实现多模态模型的可解释性，通过证据瓶颈和束搜索生成可审计的证据集，保留高预测性能并提升决策一致性。
Journal ref ACL 2026 Findings
对比语义投影：利用对比示例实现忠实的神经元标注
机构 * Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所） ； Technische Universität Berlin（柏林技术大学） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所） ； Centre of eXplainable Artificial Intelligence, Technological University Dublin（可解释人工智能中心，都柏林技术大学）
专题命中 视觉定位与Grounding ：vision language model(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出对比语义投影(CSP)，通过视觉语言模型生成候选标签并结合CLIP-like编码器进行标签分配，改进神经元标注的准确性和语义粒度。
AGEL-Comp: 一种用于交互智能体组合泛化能力的神经符号框架
机构 * Universität Duisburg-Essen（杜伊斯堡- Essen大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 AGEL-Comp通过动态因果程序图、归纳逻辑编程引擎和混合推理核心，实现基于符号和神经网络的组合泛化学习，优于纯LLM模型。
Comments Accepted at IntelliSys 2026
SkillForge: 在云技术支持中锻造领域特定的自我进化代理技能
机构 * Alibaba Group（阿里巴巴集团）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 SkillForge通过闭环创建-评估-改进机制，解决云技术支持中领域特定技能缺乏和持续优化的问题，实验表明其能显著提升技能质量。
Comments Accepted at ACM SIGIR 2026 Industry Track. 18 pages, 5 figures, 3 tables
DenseStep2M: 一种可扩展且无需训练的密集指令视频标注流水线
机构 * SAI, Shanghai Jiao Tong University（上海交通大学人工智能研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出无需训练的DenseStep2M流水线，通过分割视频、过滤对齐不佳内容并利用先进多模态模型生成高质量步骤注释，构建了包含10万视频和200万步骤的大型数据集，支持长期视频理解。
RADIO-ViPE：面向动态环境的在线紧密耦合多模态融合用于开放词汇语义SLAM
机构 * Biomechatronics and Energy-Efficient Robotics (BE2R) Lab, ITMO University（生物机电学与高效能机器人实验室，ITMO大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 RADIO-ViPE通过在线多模态融合实现动态环境中开放词汇语义SLAM，无需校准RGB-D输入，结合视觉与语言嵌入提升地图一致性。
告诉模型该看哪里：通过视觉引导注意力缓解大语言模型的幻觉
机构 * School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院） ； Zhongguancun Academy（中关村学院） ； Southeast Academy of Information Technology, Beijing Institute of Technology（北京理工大学信息科技东南学院） ； Zhongguancun Laboratory（中关村实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出视觉引导注意力（VGA），通过构建精确的视觉基础并引导模型关注相关区域，缓解大语言模型在视觉任务中的幻觉问题，且无需额外训练。
Comments CVPR 2026
FACT：基于三阶段代理工作流的组合内核合成
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 FACT框架通过三阶段代理工作流实现PyTorch模块的多模式组合优化，结合CUTLASS C++实现内核合成，提升GPU计算性能。
AgentSim：可验证代理跟踪模拟平台
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出AgentSim平台，通过多模型验证和主动人工参与流程，生成可验证的代理推理轨迹，构建了覆盖三个信息检索基准的Agent-Trace Corpus，并揭示了先进模型在信息检索中的系统性差异。
Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), July 20--24, 2026, Melbourne, VIC, Australia
有限函数编程
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出有限函数编程，通过将谓词视为具有有限支持的函数，统一了函数式和逻辑编程，用于处理聚合和加权逻辑编程。
Comments 16 pages, 6 figures
一种多阶段提取流水线用于长扫描金融文档：工业KYC工作流的实证研究
机构 * OCBC
专题命中 文档图表理解 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出多阶段提取框架，整合图像预处理、多语言OCR、混合页面级检索和紧凑VLM基于结构化提取，提升复杂多页文档的提取精度，实验证明在工业KYC工作中性能优于直接PDF到VLM基线。
带我走：面向以人为本的户外助行的长周期社交导航
机构 * Tsinghua University（清华大学） ； Pengcheng Laboratory（鹏城实验室） ； Hefei University of Technology（合肥工业大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)
AI总结 本文提出Walk with Me框架，通过高阶视觉语言模型和轻量级兴趣点，实现无地图的长周期社交导航，结合语义意图定位、安全推理和低层动作生成，提升户外助行的实用性。
CoFL：基于连续流场的语言条件导航
机构 * Matterport3D ； ScanNet
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 CoFL通过端到端策略将鸟瞰图观测与语言指令映射为连续流场，实现工作空间条件下的场学习，提升导航精度与安全性，支持实时推理和闭环控制。
Comments 18 pages, 13 figures
UIGaze: VLMs在用户界面上如何接近人类视觉注意力？
专题命中 GUI与屏幕智能体 ：vision language model(abstract)
AI总结 UIGaze研究VLMs在用户界面中预测人类视觉注意力的能力，通过零样本坐标预测管道评估九种先进模型，发现VLMs在不同UI类型和更长时间观看中表现出不同程度的匹配。
Comments 6 pages, 4 tables, 1 figure
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