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。
SIEVES：通过视觉证据评分实现选择性预测
机构 * TU Darmstadt（图宾根大学）
专题命中 视觉问答 ：grounding(summary_cn,abstract)；visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 SIEVES通过视觉证据评分提升视觉问答在分布外任务中的覆盖范围，相比非 grounding 基准线提升三倍，适用于多种推理模型，无需依赖模型权重或 logit。
描述：距离标注的交通感知问答（DTPQA）
机构 * Department of Electronic and Computer Engineering, University of Limerick（利默尼克大学电子与计算机工程系） ； Data Driven Computer Engineering Research Centre, University of Limerick（利默尼克大学数据驱动计算机工程研究中心） ； Lero, The Irish Software Research Centre, University of Limerick（利默尼克大学Lero爱尔兰软件研究中心） ； Valeo Vision Systems（瓦莱奥视觉系统）
专题命中 视觉问答 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出DTPQA基准，用于评估视觉语言模型在交通场景中的感知能力，包含合成和真实数据集，通过距离标注分析模型在远距离下的表现。
Journal ref IEEE Data Descriptions, 2026
grounded continuation: 一种线性时间的运行时验证器用于大语言模型对话
机构 * School of Computer Science and Informatics, University of Liverpool, UK（利兹大学计算机科学与信息学学院）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出一种线性时间的运行时验证器，用于检测大语言模型对话中基于已废弃前提的延续。通过显式依赖图验证，该方法在LongMemEval-KU和LoCoMo基准上表现出色，准确率显著高于基线模型。
过程链：用于过程问答的层次视觉语言推理
机构 * NLP ； CT Lab, Department of Computer and Information Science, University of Macau（计算机与信息科学系，澳门大学CT实验室） ； Department of Electrical and Computer Engineering, University of Macau（电气与计算机工程系，澳门大学） ； Centre for Cognitive and Brain Sciences, University of Macau（认知与脑科学中心，澳门大学）
专题命中 视觉问答 ：vision-language model(abstract)
AI总结 本文提出ProcedureVQA基准，针对视觉过程问答任务，通过过程链框架解决现有VLMs在跨模态检索和步骤分解上的不足，实验显示其在六个VLMs上提升达13%。
关于视觉语言模型中文化错位与时间推理的问题
机构 * MBZUAI ； Inception
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision language model(title)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文探讨了视觉语言模型在解读历史文物时存在的文化错位问题，通过设计TAB-VLM基准测试集评估模型的时间推理能力，发现现有模型在处理非西方文化文物时存在显著缺陷。
Comments Project Page: https://khushboo0012.github.io/tab-vlm-webpage/
探索用于在线签名验证的视觉-语言模型：零样本能力研究
机构 * BiometricsAI, School of Engineering, Universidad Autonoma de Madrid, Spain（生物识别AI，工程学院，马德里自治大学，西班牙）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；visual reasoning(abstract)；分类 cs.CV
AI总结 本文研究了最新视觉-语言模型在在线签名验证任务中的零样本性能，发现信号质量和伪造类型对性能有显著影响，尤其在高难度伪造场景中，基于链式推理的模型表现下降。
Comments Accepted at the 14th International Workshop on Biometrics and Forensics
VLRS-Bench: 一种面向遥感的视觉-语言推理基准
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院）
专题命中 视觉推理 ：MLLM(summary_cn,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出VLRS-Bench，首个专注于复杂遥感推理的基准，包含2000个问题-答案对，涵盖14项任务和八个时间阶段，揭示现有MLLM在遥感任务中的瓶颈。
ATLAS：是代理还是潜在的视觉推理？一个词足以兼顾两者
机构 * Meta AI ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV、cs.AI
AI总结 ATLAS结合代理推理与潜在推理，通过单一功能词实现两者结合，避免冗长中间视觉生成，保持与传统训练方法兼容。
Comments Project Page: https://atlas-oneword.github.io Code: https://github.com/ZiyuGuo99/ATLAS
视觉思维混合：探索上下文自适应推理模式选择用于通用视觉推理
机构 * Fudan University（复旦大学） ； Alibaba Group Holding Limited（阿里巴巴集团控股有限公司） ； Future Living Lab of Alibaba（阿里巴巴未来生活实验室） ； University of Southern California（南加州大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MoVT框架，通过AdaVaR实现多模式统一学习与上下文自适应选择，提升通用视觉推理能力。
Comments 27 pages, 11 figures, 5 tables, accepted by ICLR 2026
DermAgent: 一种用于皮肤病图像分析的自反思代理系统，具备多工具推理和可追溯决策制定
机构 * AIM for Health Lab, Faculty of Information Technology, Monash University, Melbourne, Australia（健康人工智能实验室，信息科技学院，墨尔本大学，澳大利亚） ； Faculty of Information Technology, Monash University, Melbourne, Australia（信息科技学院，墨尔本大学，澳大利亚） ； University College London, Institute of Ophthalmology, London, United Kingdom（伦敦大学学院，眼科研究所，英国）
专题命中 视觉推理 ：grounding(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 DermAgent通过多工具协作和反思框架，在皮肤病图像分析中实现可追溯的诊断推理，优于现有模型。
Comments MICCAI2026 early acceptance
重新审视模型反向评估：从误导性标准到可靠的隐私评估
机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； University of Maryland College Park（马里兰大学学院公园分校）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；visual reasoning(abstract)；分类 cs.LG
AI总结 本文重新审视模型反向攻击的评估框架，揭示其存在虚假正例问题，并提出基于大规模语言模型的新评估方法以提升隐私评估的可靠性。
Comments Accepted to CVPR Findings 2026
JointAVBench: 一个用于联合音频视觉推理评估的基准测试
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学香樟人工智能学院） ； Baichuan Inc（百川科技）
专题命中 视觉推理 ：visual reasoning(title)；分类 cs.CV
AI总结 本文提出JointAVBench基准测试，旨在评估多模态大语言模型在联合音频视觉推理中的表现，涵盖多模态依赖、多类音频信息和不同场景跨度，通过自动化流程生成问题并评估不同模型性能。
SceneFunRI：为任务驱动的功能物体定位推理不可见区域
机构 * National Taiwan University（国立台湾大学） ； Delta Robotics Innovation Center（Delta机器人创新中心）
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 SceneFunRI通过半自动化流程构建了855个实例的基准，要求模型根据任务指令和常识推理推断不可见功能物体的位置，现有模型在推理稳定性上仍有不足。
MemEye：一种以视觉为中心的多模态代理记忆评估框架
机构 * Rutgers（罗格斯大学） ； Notre Dame（圣母大学） ； Princeton（普林斯顿大学） ； UMN（明尼苏达大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 MemEye框架从视觉证据的粒度和证据使用的复杂性两个维度评估多模态代理记忆，通过8个生活场景任务构建新基准，验证记忆方法在细粒度视觉细节保留和时间状态推理上的不足。
Comments 46 pages, 15 figures
DocScope：可验证推理的可信长文档理解基准测试
机构 * School of Computer Science, National Engineering Research Center for Multimedia Software and Hubei Key Laboratory of Multimedia and Network Communication Engineering, Wuhan University, China（计算机学院，国家多媒体软件工程技术研究中心和湖北多媒体与网络通信工程重点实验室，武汉大学，中国） ； Alibaba Group, Hangzhou, China（阿里巴巴集团，杭州，中国） ； Independent Researcher（独立研究者） ； Department of Machine Learning, Mohamed bin Zayed University of Artificial Intelligence, United Arab Emirates（机器学习系，Mohamed bin Zayed人工智能大学，阿拉伯联合酋长国）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 DocScope通过结构化推理轨迹预测方法评估多模态大语言模型在长文档中的可验证推理能力，发现答案准确度无法替代轨迹级评估，且区域定位仍是薄弱环节。
Comments 50pages, 25 figures, 14 tables;
可争议的多智能体辩论与基于竞技场的论证计算用于多媒体验证
机构 * University of New Brunswick（新 Brunswick大学） ； University of Science, VNU-HCM（越南国家大学科学学院（VNU-HCM））
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出一种可争议的多智能体框架，结合多模态大语言模型、外部验证工具和基于竞技场的定量双极论证，以解决多媒体验证的透明性和可争议性问题。
Comments ACM ICMR 2026 Grand Challenge on Multimedia Verification
从表格到单元格：用于基于TABALIGN的更好推理的注意力
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； New Jersey Institute of Technology（新泽西理工学院） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； University of Manitoba（曼尼托巴大学） ； SimpleWay ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出TABALIGN框架，通过引入DLM Planner和TABATTN验证器，提升表格推理的准确性和效率，实验显示在多个基准测试中准确率提升15.76个百分点，推理速度加快44.64%。
需要时思考：基于双LoRA架构的自适应推理驱动多模态嵌入
机构 * Alibaba Group（阿里巴巴集团）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出TWN框架，通过双LoRA架构和自适应推理机制，提升多模态嵌入效率与质量，在78个任务中达到SOTA水平，参数更少，推理成本更低。
Comments 30 pages, preprint
类比轨迹迁移
机构 * Dept. of Electrical and Computer Engineering, Seoul National University（电子与计算机工程系，首尔国立大学） ； Interdisciplinary Program in Artificial Intelligence and INMC, Seoul National University（人工智能交叉计划和INMC，首尔国立大学）
专题命中 视觉推理 ：VLM(abstract_cn)；分类 cs.CV
AI总结 本文提出通过分解空间子问题实现类比轨迹迁移，利用3D基础模型特征进行跨场景映射，快速生成空间一致的轨迹迁移方案，适用于AR/VR和机器人领域。
GeoLaux：一个评估多模态大语言模型在需要辅助线的长步骤问题上几何性能的基准
机构 * School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； Ministry of Education Key Laboratory of Intelligent Networks and Network Security, China（教育部智能网络与网络安全重点实验室） ； Shaanxi Province Key Laboratory of Big Data Knowledge Engineering, China（陕西省大数据知识工程重点实验室） ； School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 GeoLaux通过2186道计算与证明题，评估23个领先MLLMs在长步骤推理和辅助线构造上的表现，揭示模型在长步骤问题上性能显著下降，强调提升辅助线理解的重要性，并发现有限答案提示能提高过程正确性。
Comments 26 pages, 24 figures
FactNet：一个十亿级的知识图谱用于多语言事实 grounding
机构 * Tsinghua University（清华大学） ； Technical University of Munich（慕尼黑技术大学） ； ModelBest Inc.（ModelBest公司） ； Minzu University of China（民族大学）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)
AI总结 FactNet通过结合17亿条维基数据语句和301亿条证据指针，构建了一个十亿级多语言知识图谱，提供事实 grounding 的评估框架，并验证了跨语言结构的知识迁移能力。
从街景到视觉网络：利用视觉语言模型映射城市地标可见性
机构 * organization= Department of Architecture, National University of Singapore , country= Singapore ； organization= Research \& Development Institute, Takenaka Corporation , country= Japan ； organization= Urban Analytics Subject Group, Urban Studies \& Social Policy Division, University of Glasgow , country= United Kingdom ； organization= Institute of Remote Sensing ； GIS, Peking University , country= China ； organization= Department of Real Estate, National University of Singapore , country= Singapore
专题命中 视觉定位与Grounding ：vision-language model(title)；VLM(abstract,abstract_cn)；vision language model(abstract)；分类 cs.CV
AI总结 本文提出利用视觉语言模型将地标可见性分析转化为图像空间中的视觉搜索问题，通过街景图像实现高效可见性评估，构建异构可见性图以表示地标、街景位置及城市空间之间的视觉连接，实验表明方法在数据受限情况下具有较高准确性。
多模态因果驱动表示学习用于通用化医学图像分割
机构 * City University of Hong Kong（香港城市大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； CAIR, HKISI, Chinese Academy of Sciences（中国科学院计算智能研究所） ； UESTC（电子科技大学） ； MAIS, 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）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出MCDRL框架，结合因果推理与VLM解决医学图像分割的领域泛化问题，通过文本提示识别病变区域并消除领域特定影响，提升分割准确性与泛化能力。
Comments Accepted by CVPR 2026
MemLens：大型视觉-语言模型多模态长期记忆的基准测试
机构 * CSE Deparment, HKUST（香港科技大学计算机科学与工程系） ； CUHK（香港大学） ； OmniMemory (Shenzhen) Intelligent Technology Co., Ltd.（深圳奥米克记忆科技有限公司） ； NVIDIA AI Technology Center (NVAITC), NVIDIA, Santa Clara, USA（英伟达AI技术中心（NVAITC），英伟达，美国圣克拉拉）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV
AI总结 MemLens基准测试评估大型视觉-语言模型在多模态多会话对话中的长期记忆能力，通过789个问题测试五种记忆能力，揭示长上下文模型和记忆增强代理的优缺点，推动混合架构发展。
Comments Work in progress
EARL：一种统一的分析引导强化学习框架，用于第一人称交互推理与像素定位
机构 * Department of Electrical and Electronic Engineering, The Hong Kong Polytechnic University, Hong Kong SAR（香港理工大学电子与电气工程系） ； Division of Emerging Interdisciplinary Areas (EMIA), The Hong Kong University of Science and Technology, Hong Kong SAR（香港理工大学新兴跨学科领域研究中心）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出EARL框架，通过分析引导特征合成器提升第一人称交互推理与像素定位的准确性，实验显示在Ego-IRGBench上像素定位达到65.48% cIoU，优于现有方法。
Comments Accepted at ICML 2026. Project page: https://github.com/yuggiehk/EARL
Video-Zero: 自主进化视频理解
机构 * Tsinghua University（清华大学） ； Tencent（腾讯） ； Tongji University（同济大学） ； Peking University（北京大学）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出Video-Zero框架，通过无标注的Questioner-Solver共进化机制，聚焦时间局部证据，提升视频理解的自进化能力，验证了证据中心自进化方法的有效性与迁移性。
SVAG-Bench：多实例时空视频动作定位的大规模基准
机构 * LMU Munich（慕尼黑大学） ； MCML ； Technical University of Munich（慕尼黑技术大学） ； University of Zurich（苏黎世大学） ； University of Oxford（牛津大学） ； Amazon（亚马逊） ； NVIDIA（英伟达）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 SVAG-Bench通过多实例整合任务，评估模型在复杂场景中对动作的时空定位能力，包含688个视频和19590个注释，支持细粒度评估多主体歧义消除和动作组合性。
合成分层设计数据是否有助于分层设计分解？
机构 * HKUST（香港理工大学） ； Webank（网商银行）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision language model(abstract)；分类 cs.CV
AI总结 本文研究合成分层数据对图形设计分解的影响，发现纯合成数据能有效替代传统方法，且训练数据规模增加时性能提升，但5万样本后趋于饱和。
Comments 22 pages, 10 figures. Code is available at https://github.com/YangHaolin0526/SynLayers
SceneParser: 用于视觉语义理解的分层场景解析
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Zhongguancun Academy（中关村学院） ； Huazhong University of Science and Technology（华中科技大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； South China University of Technology（华南理工大学） ； University of Oxford（牛津大学） ； Peking University（北京大学）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.CV
AI总结 本文提出SceneParser，通过分层解析任务构建场景-对象-部件-功能的层次结构，利用结构完成伪标签和课程学习提升结构感知能力，实验表明其在复杂场景理解中表现更优。
Comments Preprint. Code, models, and dataset are provided in the manuscript
面向细粒度和可验证的概念瓶颈模型
机构 * Bioengineering Department（生物工程部门） ； Imperial-X, Imperial College London, London, UK（帝国理工学院伦敦校区） ； Thoughtworks AI Labs, Singapore（Thoughtworks AI实验室，新加坡）
专题命中 视觉定位与Grounding ：grounding(summary_cn)；分类 cs.AI、cs.LG
AI总结 本文提出细粒度概念瓶颈模型框架，通过局部视觉证据 grounding 每个概念，提升模型透明度与可验证性，实验显示其概念空间信息完整且预测性能优异。
Comments 10 pages, 4 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