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。
PRPO：用于视觉-语言深度伪造检测的段级策略优化
机构 * Qatar Computing Research Institute, Hamad Bin Khalifa University, Doha, Qatar（卡塔尔计算研究所，哈马德·本·哈利法大学，多哈） ； New Jersey Institute of Technology, NJ, USA（新泽西理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出PRPO算法，通过段级相对策略优化提升深度伪造检测的准确性与推理能力，实验显示其在检测准确率和推理评分上均显著优于现有方法。
Comments Accepted at ICML 2026
通过开放权重代理分析器的激活进行幻觉检测
机构 * Khoury College of Computer Sciences（科里学院计算机科学学院） ； Northeastern University（东北大学）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 本文提出一种代理分析器框架，通过本地部署的小型开放权重模型检测大语言模型的幻觉，采用变压器文本处理特性构建18种特征，并在多个模型架构上训练堆叠集成模型，最终在RAGTruth数据集上取得优于ReDeEP的AUC和F1分数。
Comments 12 pages, 4 figures. Code available at https://github.com/hallu-detect/llm_hallucination_detection
SteelDefectX：一种用于钢铁表面缺陷分析的多形式视觉-语言数据集和基准
机构 * Southeast University（东南大学） ； Purple Mountain Laboratories（紫金山实验室） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SteelDefectX数据集，包含7778张图像和25种缺陷类别，提供多形式文本标注，涵盖视觉-语言分类、分割及跨数据集迁移等任务，揭示文本设计对工业视觉-语言学习的重要性。
接触导向策略：具备生成接触基础的灵活视觉-触觉策略
机构 * Purdue University（普渡大学） ； Meta Reality Labs Research（Meta现实实验室） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
专题命中 视觉定位与Grounding ：grounding(title)
AI总结 本文提出Contact-Grounded Policy，通过预测机器人状态和触觉反馈的耦合轨迹，生成接触基础的灵活视觉-触觉策略，优于现有基线方法。
EditRefiner：一种对齐人类的代理框架用于图像编辑细化
机构 * Shanghai Jiao Tong University（上海交通大学） ； Vivo Mobile Communication Co., Ltd（Vivo移动通信有限公司） ； University of Electronic Science and Technology of China（电子科学与技术大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出EditRefiner，一种对齐人类的代理框架，通过人类反馈数据集改进图像编辑的细粒度问题，通过感知-推理-行动-评估循环提升编辑质量。
RCoT-Seg：强化链式推理用于视频推理与分割
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） ； Pazhou Lab (Huangpu)（琶洲实验室（黄埔））
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出RCoT-Seg框架，通过分离时间推理与空间感知，改进视频分割中关键帧选择与定位，提升多目标场景下的鲁棒性与精度。
Comments 21 pages
基于意图的语义ID生成用于 grounded 对话新闻推荐
机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Platform and Content Group, Tencent（腾讯平台与内容部）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)
AI总结 本文提出意图驱动的语义ID生成方法，通过多任务对齐和GPT-4链式推理蒸馏，实现意图到层级SID前缀的映射，提升新闻推荐的 grounded 性和冷启动用户推荐效果。
Comments Accepted at ACL 2026 Industry Track (Oral)
从独立大语言模型到整合智能：复合AI系统综述
机构 * New Jersey Institute of Technology（新泽西理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；MLLM(abstract_cn)
AI总结 本文综述了复合AI系统，探讨了其整合大语言模型与外部组件的方法，分析了四种基础范式，并指出规模化、互操作性等挑战及未来研究方向。
SCOPE：结构分解与条件技能协调用于复杂图像生成
机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, University of Science and Technology of China（脑启发智能感知与认知 MOE 实验室，中国科学技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SCOPE框架，通过结构化规范和条件技能协调解决复杂图像生成中语义承诺的持续跟踪问题，通过Gen-Arena基准验证其有效性，取得优于基线的性能。
MAVEN：具有步骤内认知审计的多智能体验证-扩展网络
机构 * Tongji University（同济大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 MAVEN通过显式角色解耦将LLM转化为有意识的推理者，采用对抗性Skeptic-Researcher-Judge循环，生成可验证的模块化推理轨迹，提升多任务推理质量。
Comments 24 pages, 2 figures
多LLM路由中的不可解上限：评估 artifacts 的实证研究
机构 * Independent Researcher（独立研究者） ； San Francisco State University（圣弗朗西斯科州立大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文通过206000个查询-模型对研究多级LLM路由，发现大量不可解问题源于评估 artifacts，如判断偏差、截断和格式不匹配，并提出改进方法以减少不可解性。
Comments 12 pages, 14 tables
SphereVAD: 基于单位超球面几何推断的无训练视频异常检测
机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 SphereVAD通过几何推断在单位超球面上实现无训练视频异常检测，利用预训练多模态大语言模型的中间层特征，通过Frechet均值中心化、Holistic Scene Attention和vMF引导的球面几何拉近技术，实现零样本异常识别。
Comments 48 pages, 25 figures
迈向公平的AI评估：从现实使用案例到评估场景
机构 * National Institute of Standards and Technollogy（国家标准与技术研究院） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出一种可重复的流程，通过结构化AI使用案例工作表将高层使用案例转化为详细场景，结合LLM提示和人工审查，生成107个场景，确保评估场景的现实性和人类需求。
Comments 23 pages, 3 figures
TRACE：基于可问责引用证据的旅游推荐
机构 * UNSW Sydney（新南威尔士大学悉尼分校） ； University of Adelaide（阿德莱德大学） ； Yonsei University（延世大学） ； USTC（中国科学技术大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 TRACE通过多轮对话结合评论引用和显式拒绝机制，解决旅游推荐中信任、可验证性和适应性问题，提出三项能力差距并验证评估方法。
通过半 naive Datalog 评估实现并行提升规划
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出一种基于半 naive Datalog 评估的并行提升规划方法，通过两级并行性提升规划效率，在多核环境下实现显著加速。
多模态逐步临床引导注意力学习用于乳腺癌病理完全响应预测
机构 * Unit of Artificial Intelligence and Computer Systems, Department of Engineering, Università Campus Bio-Medico di Roma（人工智能与计算机系统单位，工程系，罗马生物医学大学） ； Department of Electrical Engineering and Information Technology, University of Naples Federico II（电气工程与信息科技系，那不勒斯费德里科二世大学） ； Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University（诊断与介入系，辐射物理，生物医学工程，乌梅大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出多模态逐步临床引导注意力学习框架，通过医学引导的空间指导和多模态整合，提升乳腺MRI中病理完全响应预测的敏感性和泛化能力。
ProcObject-10K：面向教学视频中以对象为中心的程序理解的基准测试
机构 * Michigan State University（密歇根州立大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出ProcObject-10K，首个评估教学视频中以对象为中心推理和时间证据定位的基准，涵盖137个任务和五种推理类型，揭示模型在对象动态理解上的不足。
预见未来，立即行动：基于预见的自动驾驶
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出ForeSight框架，通过生成未来场景并据此规划动作，实现前瞻性决策，实验表明其在动态场景中优于现有方法。
Comments CVPR Findings 2026
从表层学习到深度理解：面向Moodle的 grounded AI 教学系统
机构 * Faculty of Mathematics and Information Sciences, Warsaw University of Technology（数学与信息科学学院，华沙技术大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出一种基于Moodle的AI教学助手，利用检索增强生成技术提供高质量教育，通过双核心设计实现学生互动式辅导和教师监督内容生成，有效减少信息误导并促进深度理解。
Comments 5 pages, accepted as demo paper at IJCAI 2026
代理编码需要主动性，而非仅仅自主性
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文探讨了软件开发中代理编码的主动性与自主性区别，提出主动性分类和评估标准，旨在提升编码代理的洞察力和适应性。
Comments Position Paper
可及性代理框架：验证门控技能协调
机构 * HKUST(GZ)（香港理工大学（广州）） ； Knowin AI ； Harbin Engineering University（哈尔滨工程大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出一种闭环运行时系统，统一异构技能并利用证据存储和成本控制，通过路由器自适应选择技能，利用验证器通过自一致性、跨尺度稳定性等验证证据充分性，从而提升可及性定位的准确性和效率。
Comments 43 pages, 22 figures, 8 tables. Ongoing work
ScrapeGraphAI-100k：用于模式约束LLM生成的数据集
机构 * Slovak University of Technology（斯洛伐克技术大学） ； ScrapeGraphAI
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出ScrapeGraphAI-100k数据集，包含93695个模式约束提取事件，通过真实用户数据和结构化标注，用于评估LLM在模式约束下的生成能力。
TEA-Bench: 一种工具增强情感支持对话代理的系统性基准测试
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出TEA-Bench，首个评估工具增强情感支持对话代理的交互式基准，通过真实情感场景和工具环境评估情感支持质量和事实性。实验表明工具增强提升情感支持质量并减少幻觉，但效果依赖模型能力。
分析日常决策对话中的人类启发式与策略以指导对话AI设计
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文通过分析955个真实韩国对话，揭示人们在决策中优先满足而非优化，发现启发式策略在探索阶段维持对话流畅，而规则策略在利用阶段有效推动解决，为对话AI设计提供认知理论支持。
Comments CogSci 2026 (Annual Meeting of the Cognitive Science Society 2026)
BrickCraft: 基于情境手动指导的长视界互锁积木组装技能组合
机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 BrickCraft通过情境手册将高层装配计划与物理执行连接，利用相对公式分解复杂任务为可重用的原始技能，实现长视界互锁积木组装。
MLAIRE: 多语言语言感知信息检索评估协议
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出MLAIRE评估协议，用于评估多语言信息检索中语言感知维度，引入语言偏好率和Lang-nDCG等指标，分析语义检索与查询语言偏好之间的差异。
基于文本的隐私人物模拟
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出Narriva方法，通过生成基于历史隐私决策的文本隐私人物，提升隐私研究的准确性与效率，实现87%的预测精度。
共识熵：利用多视觉语言模型一致性的自验证和自改进OCR
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Sun Yat-sen University（中山大学）
专题命中 文档图表理解 ：VLM(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出共识熵，一种无需训练的指标，通过测量多模型一致性熵来估计输出可靠性，开发了CE-OCR框架，通过多模型共识验证输出、选择最佳输出并提升效率，实验表明CE在质量验证中鲁棒，提升F1分数42.1%，优于自一致性及单模型基线。
文档解析距离解决还有多远？PureDocBench：一个跨干净、退化和现实场景的可追溯基准测试
机构 * CASIA（中国科学院自动化研究所） ； UCAS（中国科学技术大学） ； NWPU（西北工业大学） ； JLU（吉林大学） ； USTC（中国科学技术大学） ； PKU（北京大学） ； HelloGroup ； ShanghaiTech（上海科技大学） ； Beijing Key Laboratory of Super Intelligent Security of Multi-Modal Information（北京多模态信息超级智能安全重点实验室）
专题命中 文档图表理解 ：VLM(summary_cn,abstract_cn)；分类 cs.CV
AI总结 本文提出PureDocBench，一个可追溯的基准测试，覆盖10个领域、66个子类和1475页文档，包含清洁、数字退化和现实退化三种版本。评估40种模型发现，文档解析尚未解决，最佳模型得分仅74分，公式识别仍是瓶颈，通用VLM在退化下表现不如专用模型。
Comments 42 pages, 20 figures, 16 tables
面向任务的边缘-云协同通信用于人类动作理解
机构 * Institute of Artificial Intelligence (TeleAI) of China Telecom（中国电信人工智能研究所） ； School of Information and Communications Engineering, Xi’an Jiaotong University（西安交通大学信息与通信工程学院） ； Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出TOAU框架，通过边缘-云协作减少传输负载和延迟，利用单目姿态估计器和VQ-VAE提取动作特征，提升动作理解精度。
Comments 12 pages, 6 figures
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