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。
终极配置管理工具？来自对Ansible挑战的混合方法研究的启示
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文通过混合方法研究Ansible面临的挑战，揭示了改进Ansible的关键方向，包括增强故障本地性、明确语言与模板边界、针对性文档和改进执行后端，为配置管理工具设计提供指导。
自适应与AI增强的安全测试：程序分析、反馈驱动测试和基于混合学习方法的系统性综述
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文系统综述了自适应和AI增强的安全测试研究，探讨了程序分析、DevSecOps、反馈驱动模糊测试、LLM自动化测试生成及混合系统等五个领域，揭示了结构化程序表示与自适应测试机制之间的断层，并提出五个开放研究挑战。
Comments 29 pages, submitted for review
涌现技术，涌现批判：学生和教师通过参与式设计围绕生成式AI发展批判性AI素养
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文探讨学生和教师通过参与式设计发展批判性AI素养，揭示了共同质疑AI假设、互补学习和基于文化知识的AI批判三种核心实践。
FCMBench-Video：文档视频智能基准测试
机构 * AI Lab, Qifu Technology（启赋科技AI实验室） ； College of Future Information Technology, Fudan University（复旦大学未来信息学院） ； School of Future Technology, South China University of Technology（华南理工大学未来技术学院） ； Pazhou Lab（琶洲实验室）
专题命中 文档图表理解 ：grounding(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文提出FCMBench-Video基准测试，用于评估文档视频理解中的文档感知、时间定位和证据推理能力，通过真实场景数据验证系统性能，揭示不同任务的敏感性和能力差异。
CasLayout：基于级联3D布局扩散的室内场景合成与隐式关系建模
机构 * MAIS, Institute of Automation, Chinese Academy of Sciences and School of Artificial Intelligence, University of Chinese Academy of Sciences（MAIS，自动化研究所，中国科学院，人工智能学院，中国科学院大学） ； Tsinghua University（清华大学） ； SKLMS, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（系统科学研究所，中国科学院） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 文档图表理解 ：vision language model(abstract)；分类 cs.CV
AI总结 CasLayout通过级联扩散框架将场景生成分解为四个阶段，结合物理与语义约束，提升生成效率与可控性，实现高质量室内场景合成。
Comments SIGGARPH 2026 (Journal Track), Code: https://github.com/YingruiWoo/CasLayout
语境至关重要：通过VLM动作解析和LLM序列分类进行同伴感知的学生行为参与度测量
机构 * University of Louisville（路易斯维尔大学）
专题命中 GUI与屏幕智能体 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一种三阶段框架，通过VLM动作识别和LLM序列分类，结合课堂语境中的同伴行为，有效测量学生参与度。
Comments accepted to the Computer Vision for Education (CV4Edu) workshop, CVPR 2026
FineState-Bench：面向细粒度GUI状态设置的状态条件化基准测试
机构 * MBZUAI, United Arab Emirates（阿联酋MBZUAI研究院） ； Northeastern University, China（中国东北大学）
专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 FineState-Bench通过精确目标状态评估，检验智能体能否正确映射指令至UI控件，提出FineState-Metrics与VDA诊断工具，实验显示视觉接地仍有提升空间，但整体准确率不足。
InteractWeb-Bench: 多模态代理能否在交互式网站生成中避免盲目执行？
机构 * Shenzhen Institute of Advanced Technology Chinese Academy of Sciences（深圳先进技术研究院中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Dalian University of Technology（大连理工大学） ； UNSW Sydney（悉尼大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学）
专题命中 GUI与屏幕智能体 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出InteractWeb-Bench，首个针对非专家低代码用户的多模态交互基准，通过模拟用户行为中的模糊性、冗余性和矛盾性，揭示前沿多模态大语言模型在意图识别和适应性交互上的局限。
Comments 21 pages, 13 figures, 7 tables
OpAgent：网页导航的运算代理
机构 * Ant Group（蚂蚁集团）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；VLM(abstract)；grounding(abstract)；分类 cs.AI
AI总结 本文提出OpAgent，通过在线强化学习优化网页导航策略，结合层级多任务微调和混合奖励机制，实现71.6%的高成功率。
SpaAct：基于课程适应的空间激活转换学习用于视觉语言导航
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） ； National Engineering Research Center for Visual Information and Applications（视觉信息与应用国家工程研究中心） ； Institute of Artificial Intelligence and Robotics（人工智能与机器人研究所） ； The State Key Laboratory of Internet of Things for Smart City（智能城市物联网国家重点实验室） ； Centre for Artificial Intelligence and Robotics（人工智能与机器人中心） ； University of Macau（澳门大学） ； Xiaomi EV（小i EV） ； School of Automation（自动化学院） ； Beijing Institute of Technology（北京理工大学） ； Institute of Automation（自动化研究所） ； Chinese Academy of Sciences（中国科学院）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 SpaAct通过引入空间激活任务和课程适应方法，提升视觉语言导航中动态空间感知能力，实现更高效的导航性能。
Comments Submmited to ACM MM 2026
AutoSurfer -- 通过全面浏览、学习和建模教学网络代理
机构 * Microsoft Research（微软研究院）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 AutoSurfer通过系统性广度优先探索策略、任务合成引导和轨迹优化，实现全面覆盖网站操作空间，提升网络代理轨迹生成的准确性和多样性。
Comments 21 pages, 3 figures
GuideDog: 一种用于视障和低视力者无障碍引导的现实世界单人视角多模态数据集
机构 * Yonsei University（延世大学） ； LG AI Research（LG AI研究所） ； Euler Robotics（Euler机器人） ； Seoul National University（首尔国立大学）
专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；MLLM(abstract_cn)；分类 cs.CV
AI总结 本文提出GuideDog数据集，包含22K图像描述对，用于提升视障者导航能力，通过人机协同标注提升数据质量，并展示深度感知评估基准，揭示当前多模态大语言模型在深度感知方面的挑战。
Comments ACL 2026 Main. Project page: https://jun297.github.io/GuideDog/
理解视觉语言模型在自动驾驶中的对抗转移性：跨架构分析
机构 * School of Computing, Clemson University, USA（克莱姆森大学计算机学院）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV、cs.LG
AI总结 本文通过跨架构研究探讨视觉语言模型在自动驾驶中的对抗转移性，评估了三种架构在不同场景下的对抗效果，发现高跨架构有效性。
Comments 9 pages, 2 figures. Accepted at SAE WCX 2026
Journal ref SAE Technical Paper 2026-01-0170, SAE WCX 2026
测试时蒸馏用于持续模型适应
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Shenzhen Technology University（深圳技术大学）
专题命中 幻觉与鲁棒性 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出CoDiRe框架，通过动态融合VLM和目标模型预测构建鲁棒教师，利用MSP缓解熵偏见，通过最优传输对齐预测，实现稳定持续适应，优于现有方法。
Comments Accepted by CVPR 2026 Findings
Dual-LoRA: 交叉语言说话人验证中的参数高效对抗解缠
专题命中 幻觉与鲁棒性 ：grounding(abstract)
AI总结 本文提出Dual-LoRA，通过注入可训练任务因子化LoRA适配器解决交叉语言说话人验证中的语言-说话人纠缠问题，采用语言锚定对抗器提升说话人区分度。
Comments Submitted to Interspeech 2026; 5 pages
AutoVDC：利用视觉-语言模型实现自动化视觉数据清洗
机构 * Mercedes-Benz Research & Development North America（梅赛德斯-奔驰北美研发公司） ； University of Stuttgart, Institute for Artificial Intelligence（斯图加特大学人工智能研究所）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出AutoVDC框架，利用视觉-语言模型自动识别视觉数据集中的错误标注，提升数据质量。通过KITTI和nuImages数据集验证，展示了方法在错误检测和数据清洗中的高性能。
Comments Accepted to IV 2026 Drive-X Foundation Models for Autonomous Driving (Oral presentation)
视觉提示对视觉语言模型合作行为的影响
机构 * ST Engineering, Singapore（1 ST工程，新加坡）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文研究了视觉提示如何影响视觉语言模型在囚徒困境中的合作行为，通过图像内容和颜色奖励矩阵实验，发现图像内容和颜色提示对模型决策模式有影响，不同模型的敏感性和缓解效果各异。
PhyCo：学习可控制的物理先验以生成运动
机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； UC San Diego（圣地亚哥大学）
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 PhyCo通过整合物理可控的生成模型，实现了在视频生成中物理一致性和可控性的提升，无需模拟器或几何重建。
Comments CVPR 2026. Project Page: https://phyco-video.github.io/
通过数据无关的平坦性感知提示预训练提升视觉语言模型测试时提示调优的校准
机构 * Yonsei University（延世大学） ； ETRI（韩国电子技术研究院）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 本文提出FPP框架，通过在提示初始化时选择平坦区域，提升测试时提示调优的校准和性能，无需额外标注数据和计算成本。
Comments CVPR 2026
使用通用视觉-语言模型分析血检报告图像
机构 * Sharif University of Technology（谢里夫理工学院）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 本文探讨了通用视觉-语言模型在自动分析血检报告图像中的应用，通过比较三种模型在100张不同血检图像上的表现，验证了其在初步分析中的潜力。
Comments 4 pages , 3 figures , This paper has been submitted to the IEEE-affiliated ICBME Conference (Iran), 2025, and is currently under review. DOR number: [20.1001.2.0425023682.1404.10.1.440.7]
Journal ref Proc. 2025 32nd ICBME, IEEE, 2026
针对视频大语言模型的成员推断攻击
专题命中 VLM训练与架构 ：LLaVA(abstract,abstract_cn)
AI总结 本文研究了针对视频大语言模型的黑盒成员推断攻击，通过温度扰动生成与视频感知难度特征结合，验证了视频大语言模型对隐私风险的脆弱性。
OR-VSKC：通过合成数据引导对齐解决手术室中的视觉-语义知识冲突
机构 * Shanghai University of Engineering Science（上海工程技术大学） ； Tencent YouTu Lab（腾讯优图实验室） ； Clinical Research Unit, Zhongshan Hospital of Fudan University（复旦大学中山医院临床研究部）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出OR-VSKC基准，通过合成数据引导对齐解决手术室中的视觉-语义知识冲突，评估多模态大语言模型的可靠性，并展示微调后的模型在未见视角上的鲁棒性。
Comments 13 pages, 5 figures. The dataset and appendix are available at https://github.com/zgg2577/VS-KC
MiniCPM-o 4.5：迈向实时全双工多模态交互
机构 * OpenBMB（开放大脑）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)
AI总结 MiniCPM-o 4.5通过实时全双工多模态交互技术，解决多模态交互中感知与响应分离及被动响应的问题，实现更接近人类水平的多模态交互能力。
揭示视觉文本风格对大型视觉语言模型生成的基于属性的描述的影响
机构 * Radboud University（拉博德大学） ； Xi'an Jiaotong University（西安交通大学）
专题命中 其他VLM ：visual language model(title,abstract)；分类 cs.CV
AI总结 研究视觉文本风格如何影响大型视觉语言模型对概念属性的描述，发现即使正确识别概念，文本风格仍会影响模型输出，推动风格感知评估与缓解。
Comments Accepted by ICMR 2026. Code is available at https://github.com/XiaomengWang-AI/The-Impact-of-Visual-Text-style-on-Attribute-based-Descriptions-Produced-by-LVLMs
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