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。
迈向可扩展的音频描述质量控制：评估人类和VLM评分者的流程
机构 * Northeastern University（东北大学） ； San Francisco State University（旧金山州立大学） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校）
专题命中 视觉推理 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 本文提出了一种评估人类和VLM评分者音频描述质量的流程，利用项目反应理论评估其与专家标准的匹配程度，发现VLM在大规模评估中可与人类评分者相当，但其推理可靠性较低。
感知空间：面向高效准确3D场景理解的自我运动感知视频表示
机构 * Department of Computer Science（计算机科学系） ； University of Michigan（密歇根大学） ； University of Michigan Ann Arbor（密歇根大学安阿伯分校）
专题命中 视觉推理 ：MLLM(summary_cn,abstract)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出Motion-MLLM框架，结合IMU数据与视觉特征，通过运动-视觉关键帧过滤模块和异构跨模态融合模块，提升3D场景理解与空间推理的效率和准确性。
Comments 22 pages, 10 figures
多模态大语言模型内部视觉表征的因果探测
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Ant Group（蚂蚁集团）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；visual reasoning(abstract)；grounding(abstract_cn)；分类 cs.AI
AI总结 研究通过激活引导框架系统干预四个视觉概念类别，揭示实体记忆局部化与抽象概念全局分布的差异，发现模型深度对复杂抽象概念编码至关重要，且反向引导揭示感知与生成之间的补偿机制。
无人机视角下视觉语言模型能否思考？统一无人机推理与生成
机构 * Beijing Institute of Technology（北京理工大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； CSIRO Data61（澳大利亚联邦科学与工业研究组织 Data61 分部） ； University of Macau（澳门大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出UAVReason数据集，用于研究无人机视角下的统一推理与生成，通过改进模型在高海拔场景下的表现，提升视觉语言模型在复杂环境中的能力。
Comments 21 pages, 12 figures, 7 tables
SpatialBench: 多模态大语言模型空间认知的基准测试
机构 * Sun Yat-Sen University（中山大学） ； HKUST (GZ)（香港科技大学） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； CAICT（中国科学院电子技术研究所） ； UCAS（中国科学技术大学） ； CUC（中国科学技术大学）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；grounding(abstract)；分类 cs.AI
AI总结 本文提出SpatialBench基准，通过五级空间认知框架评估多模态大语言模型的空间能力，揭示模型在感知与符号推理间的性能差异。
FRISM：通过子空间级模型融合实现细粒度推理注入用于视觉-语言模型
机构 * College of Future Information Technology, Fudan University, Shanghai, China（复旦大学未来信息科技学院，中国） ； Shanghai Innovation Institute, China（上海创新研究院，中国） ； The Chinese University of Hong Kong, China（香港中文大学，中国） ； Harbin Institute of Technology, China（哈尔滨工业大学，中国） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室，中国） ； Sun Yat-Sen University, Shenzhen, China（暨南大学深圳校区，中国）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.LG
AI总结 FRISM通过子空间级模型融合实现细粒度推理注入，有效提升视觉-语言模型的推理能力并保持视觉能力。
Comments Accepted by ICML 2026
通过反事实推理实现创意机器人工具使用
机构 * Brown University（布朗大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.AI
AI总结 本文提出一种因果推理框架，用于识别超出其主要目标的合适工具。通过动态模型模拟实验发现工具与任务的因果关系，并通过几何和物理特征扰动生成反事实工具，实现更可靠的工具选择和更强的技能关键点迁移。
Comments Under review
多模态事实级归因用于可验证推理
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MuRGAt基准，用于评估多模态事实归因能力，要求模型在复杂推理中生成明确推理和精确引用，揭示强模型在正确推理下仍易产生幻觉，且增加推理深度或结构化归因会降低准确性。
Comments Accepted to ICML 2026. Code and data are available at https://github.com/meetdavidwan/murgat
Pest-Thinker: 通过强化学习学习像昆虫学家一样思考和推理
机构 * Institute of Intelligent Machines, Hefei Institute of Physical Science, Chinese Academy of Sciences（智能机器研究所、合肥物理科学研究所、中国科学院） ； University of Science and Technology of China（中国科学技术大学） ； Zhongke Hefei Institute of Technology Innovation Engineering（中科创新合肥科技研究院） ； Hefei University of Technology（合肥工业大学）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出Pest-Thinker框架，通过强化学习提升多模态大语言模型对害虫形态的细粒度理解，构建了两个高精度害虫基准数据集，并通过监督微调和GRPO优化提升模型在农业害虫识别中的表现。
Comments 10 pages, 5 figures
AstroAlertBench: 评估多模态大语言模型在天文学分类中的准确性、推理和诚实性
机构 * California Institute of Technology（加州理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Purdue University（普渡大学）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出AstroAlertBench，通过多阶段逻辑链评估多模态大语言模型在天文学事件分类中的性能，揭示高精度与模型诚实性之间的矛盾，并引入人机协同评估协议。
FoodCHA：多模态LLM代理用于细粒度食物分析
机构 * Department of Computer Science and Engineering（计算机科学与工程系）
专题命中 视觉推理 ：vision-language model(abstract)；vision language model(abstract)；分类 cs.AI
AI总结 本文提出FoodCHA，一种多模态代理框架，通过分层决策过程提升食物识别的细粒度属性区分能力，实验显示其在类别和子类识别精度上优于现有模型。
MedHorizon：迈向真实场景下的长上下文医学视频理解
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Baidu Inc.（百度公司） ； Xidian University（西安电子科技大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 MedHorizon提出一个真实场景下的长上下文医学视频理解基准，通过稀疏证据和多跳临床推理评估，揭示当前系统在完整流程理解上的不足。
MAT-Cell: 一种多智能体树状推理框架用于批量单细胞注释
机构 * Westlake University（西湖大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） ； Center for Artificial Intelligence and Robotics（人工智能与机器人中心） ； Hong Kong Institute of Science and Innovation（香港科学与创新研究院） ； Chinese Academy of Sciences（中国科学院） ； University Key Laboratory of Information and Communication Security Backup and Recovery（信息与通信安全备份与恢复大学重点实验室）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 MAT-Cell通过分离证据基础与标签决策，结合反向验证查询和多轮辩论，提升批量单细胞注释的准确性与可追溯性。
MediEval: 一个统一的医疗基准，用于评估大语言模型在患者上下文和知识引导推理中的表现
机构 * TU Dresden and ScaDS.AI（德累斯顿理工大学和ScaDS.AI）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 MediEval通过整合MIMIC-IV电子健康记录与统一的知识库，系统评估医疗模型的知识基础和上下文一致性，识别关键失败模式并提出CoRFu方法提升准确性和安全性。
AffectSeek: 长视频中基于模糊用户查询的代理情感理解
机构 * Gansu Provincial Key Laboratory of Wearable Computing, School of Information Science and Engineering, Lanzhou University（甘肃省可穿戴计算重点实验室，兰州大学信息科学与工程学院） ； Guangdong-Hong Kong-Macao Joint Laboratory for Emotional Intelligence and Pervasive Computing, Shenzhen MSU-BIT University（粤港澳大湾区情感智能与泛在计算联合实验室，深圳MSU-BIT大学） ； Department of Computer and Information Engineering, Khalifa University（计算机与信息工程系，哈利法大学） ； Artificial Intelligence Research Institute, Shenzhen MSU-BIT University（人工智能研究院，深圳MSU-BIT大学） ； Department of Electrical and Computer Engineering, The University of Hong Kong（电子与计算机工程系，香港大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出VQAU任务，要求模型在长视频中定位情感时刻、预测情绪类别并生成证据支持的解释。构建VQAU-Bench基准，并提出AffectSeek框架，通过分步推理实现模糊查询驱动的情感理解。
大语言模型在学习多模态推理时所学的内容
机构 * Microsoft Research AI Frontiers（微软研究院人工智能前沿） ； Yonsei University（延世大学） ； Seoul National University（首尔国立大学）
专题命中 视觉推理 ：grounding(abstract)
AI总结 本文提出MathLens基准测试，通过分解性能为感知、推理和多模态特定组件，揭示多模态推理模型评估中隐含的假设。研究显示，不同训练策略导致的能力谱系不同，多模态特定错误占比上升，表明进展反映的是子技能平衡变化而非统一提升。
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