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。
VLM-AutoDrive: 事后训练视觉-语言模型用于安全关键的自动驾驶事件
机构 * NVIDIA
专题命中 视觉问答 ：VLM(title,title_cn)；vision-language model(title,abstract)；visual question answering(abstract)；multimodal large language model(abstract)
AI总结 本文提出VLM-AutoDrive框架，通过整合元数据生成的描述、LLM生成的描述、视觉问答对和推理监督，提升预训练视觉语言模型在安全关键自动驾驶事件中的检测性能。
Comments 16 pages, 9 figures, submitted to arXiv
测试时提示法用于黑盒视觉-语言模型
机构 * AlaaLab（Alaa实验室）
专题命中 视觉问答 ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；分类 cs.CV
AI总结 本文提出测试时提示法，通过单次VLM调用提升性能，无需开放权重模型访问，适用于前沿闭源模型。方法通过轻量提示生成器预测提示，引导VLM避开常见错误模式，提升自然图像VQA基准的准确率。
AgroCoT：用于评估农业中视觉语言模型推理能力的推理链基准
机构 * Sun Yat-sen University（中山大学） ； Tsinghua University（清华大学） ； Southwest University（西南大学） ； HuanTian Wisdom Technology Co., Ltd.（慧天智慧科技有限公司） ； China Agricultural University（中国农业大学） ； Southwest Jiaotong University（西南交通大学） ； National Supercomputing Center in Shenzhen（深圳国家超算中心）
专题命中 视觉问答 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；visual question answering(abstract)；分类 cs.AI
AI总结 本文提出AgroCoT基准，通过整合推理链（CoT）方法，评估视觉语言模型在农业复杂场景中的推理和问题解决能力，发现现有模型在推理能力上的不足。
DisasterVQA: 一个用于灾难场景的视觉问答基准数据集
机构 * Qatar Computing Research Institute（卡塔尔计算研究所） ； Hamad Bin Khalifa University（哈马德·本·卡伊夫大学） ； College of Science & Engineering（科学与工程学院） ； Qatar University（卡塔尔大学）
专题命中 视觉问答 ：visual question answering(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出DisasterVQA数据集，用于灾难场景中的感知与推理任务，通过1395张真实图像和4405对专家 curated 的问答对，评估了七种最先进的视觉-语言模型在灾难响应中的性能，发现模型在细粒度定量推理、物体计数和上下文敏感解释方面存在不足。
Comments Accepted at ICWSM 2026
LLMs在回答孟加拉语医学视觉问题方面的表现如何？数据集与基准测试
机构 * Penta Global Limited ； Center for Computational & Data Sciences, Independent University（独立大学计算与数据科学中心）
专题命中 视觉问答 ：vision language model(abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 本文提出BanglaMedVQA数据集，用于评估当前基础模型在孟加拉语医学视觉问答任务中的表现，发现其性能显著低于英语基准，揭示了低资源语言在医学推理中的挑战。
Comments 14 pages, 7 figures, 5 tables, Proceedings of The Second AAAI Bridge Program on AI for Medicine and Healthcare, PMLR 317:1-14, 2026
ChronoSC：通过时间到颜色编码实现面向任务的语义通信
机构 * Smart Green Transformation Center (GREEN-X), VinUniversity, Vietnam（智能绿色转型中心（GREEN-X），Vin大学，越南） ； School of Computer Science（计算机科学学院）
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV
AI总结 ChronoSC通过时间到颜色编码实现视频问答任务的高效语义通信，采用轻量级无损投影方案，实现极端时间压缩，提升带宽效率并保持高准确率。
Comments 6 pages, IEEE ICCE 2026
AMATA: 适应性多智能体轨迹对齐用于知识密集型问答
机构 * School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院） ； Shanghai University of Electric Power（上海电力大学） ； East China Normal University（华东师范大学） ； Guangdong University of Finance and Economics（广东财经大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉问答 ：grounding(abstract)
AI总结 本研究提出AMATA框架，通过动态整合外部知识提高知识密集型问答的响应可解释性和事实准确性，采用六个专门化智能体协作执行复杂问题推理，并引入两种创新：轨迹内偏好学习和智能体间依赖学习。
通过几何逻辑一致性实现视觉语言模型中的自演化空间推理
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The City University of New York（纽约城市大学） ； The Chinese University of Hong Kong（香港中文大学） ； Data61 CSIRO（Data61澳大利亚国家科学研究院） ； University of New South Wales（新南威尔士大学） ； Australian National University（澳大利亚国立大学）
专题命中 视觉推理 ：vision language model(title)；VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SAGE框架，通过几何和语言二元操作在视觉语言模型中实现自演化空间推理，提升模型在空间推理任务中的鲁棒性和泛化能力。
Comments 23 pages, 7 figures, 3 tables
利用沉默中的潜在视觉推理
机构 * North Carolina State University（北卡罗来纳州立大学） ； UC, San Diego（加州大学圣地亚哥分校） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Duke University（杜克大学） ； Boston University（波士顿大学） ； The Ohio State University（俄亥俄州立大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文探讨了在推理过程中是否需要持续的潜在令牌，发现即使移除这些令牌或用随机噪声替代，性能影响较小，提出了一种基于注意力的奖励机制以促进潜在令牌与后续文本令牌的交互，从而提升视觉感知和视觉推理任务的性能。
通过定制代理推理增强VLMs在少样本多模态时间序列分类中的能力
机构 * Sun Yat-sen University（中山大学） ； Xiaomi Corporation（小米公司） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；分类 cs.AI、cs.LG
AI总结 本文提出MarsTSC框架，通过自演化知识库和代理推理提升少样本多模态时间序列分类性能，实验表明其在六个VLM基础上均优于传统和基础模型基线。
Comments 18 pages, 12 figures, 6 tables. Preprint
CrossView Suite: 利用数据集、模型和基准 harnessing MLLMs 的跨视图空间智能
机构 * Zhejiang University（浙江大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 该研究提出CrossView Suite，通过开发CrossViewSet、CrossViewBench和CrossViewer三个组件，解决跨视图推理中的数据稀缺、评估不足和对齐机制缺失问题，提升多视图空间理解能力。
在诊断前进行推理：受医生启发的结构化思维用于心电图分类
机构 * City University of Hong Kong（香港城市大学） ； Beijing Institute of Technology（北京理工大学） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出CardioThink框架，通过结构化推理过程提升心电图分类的临床相关性，并引入SSPO方法以优化诊断结果的准确性和可解释性。
EVA01: 通过混合变换器实现统一的原生3D理解和生成
机构 * SeeleAI Team（SeeleAI团队）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出EVA01框架，通过混合变换器架构扩展多模态大语言模型的模态边界，实现原生的3D网格理解和生成以及上下文感知编辑，提升文本到3D生成的保真度和多轮几何编辑能力。
Comments 28 pages, 10 figures, 6 tables. Technical report
基于几何的思考：用于空间推理的主动几何整合
机构 * Shenzhen campus of Sun Yet-sen University（中山大学深圳校区） ； Yinwang Intelligent Technology Co. Ltd.（云网智能科技有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai innovation institute（上海创新研究院） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出GeoThinker框架，通过主动感知机制改进空间推理，通过空间接地融合和重要性门控实现几何与语义的精准整合，提升空间智能性能。
超越笛卡尔错觉：在感知瓶颈下测试双阶段多模态理论 of Mind
机构 * College of Computer Science, Beijing Information Science and Technology University（北京信息科技大学计算机学院）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文研究了多模态大语言模型在感知瓶颈下的双阶段空间推理能力，提出了一种基于锚点的具身体验空间分解链式推理方法，以解决空间对称性和视角模糊性问题，从而提升多模态理论 of Mind 的表现。
Comments 17 pages, 3 figures
视觉代理记忆：通过在线索引、分层记忆和代理检索实现在线长视频理解
机构 * University College London（伦敦大学学院）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出视觉代理记忆框架，通过在线索引、分层记忆和代理检索实现长视频理解，实验显示其在OVO-Bench和MM-Lifelong数据集上均取得优异成绩。
CAVE：一种用于碎片化视觉证据推理的结构化信用分配方法
机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Zhejiang University of Technology（浙江工业大学）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 CAVE通过结构化过程-奖励机制提升碎片化视觉推理能力，引入三个互补信号优化推理步骤，提升模型可靠性与鲁棒性。
Comments 24 pages, 6 figures. Preprint
CurveBench：一种用于嵌套乔丹曲线精确拓扑推理的基准
机构 * Maastricht University（马斯特里赫特大学） ； Cornell University（康奈尔大学） ； TU Wien（维也纳技术大学） ； Pennsylvania State University（宾夕法尼亚州立大学）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.LG
AI总结 CurveBench是一个用于从视觉输入中进行层次拓扑推理的基准，包含756张非相交的乔丹曲线图像，通过结构预测任务恢复由曲线诱导的根树结构。
Key-Gram: 用于具身操作的可扩展世界知识
机构 * Department of Computer Science and Technology（计算机科学与技术系） ； Department of Automation（自动化系）
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；分类 cs.AI
AI总结 本文提出Key-Gram框架，通过分离语言知识与视觉状态推理，提升具身控制中对组合语言指令的理解和执行能力，主要贡献是引入可扩展的外部记忆模块以提高迁移和现实世界操作性能。
Comments 16 pages, 5 figures
GaussianZoom: 一种结合几何和语义引导的渐进式缩放生成3D高斯点云
机构 * State Key Lab of CAD & CG（计算机辅助设计与图形学国家重点实验室）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出GaussianZoom，一种结合几何一致场景建模和多尺度语义推理的生成式缩放3D重建系统，通过迭代渐进框架实现从低分辨率输入生成高保真的极端缩放渲染。
Comments 10 pages, 7 figures
基于高斯和范围的奖励优化的指称表达计数（REC-RL）
机构 * JIUTIAN Research, Beijing, China（京天研究，北京，中国）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出REC-RL框架，通过引入思考-范围-回答范式优化视觉推理过程，结合精度指导和结构化输出奖励，提升指称表达计数任务的性能和泛化能力。
Comments 5 pages
SPATIOROUTE: 动态提示路由用于零样本空间推理
机构 * National Taiwan University（台湾国立大学） ； Delta Robotics Innovation Center（Delta机器人创新中心）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SpatioRoute，一种动态提示生成方法，通过语义定制的提示模板路由问题，无需额外训练或3D传感器输入，在零样本设置下提升空间推理性能，同时发现Chain-of-Thought提示在空间视频理解中效果不佳。
Comments 10 pages, 2 figures, 2nd Workshop on 3D-LLM/VLA, CVPR 2026
TaskGround：全场景家庭推理的结构化可执行任务推断
机构 * Tsinghua University（清华大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出TaskGround框架，通过结构化任务推断提升全场景家庭推理能力，其核心贡献是引入FullHome评估套件，验证了在家庭场景中执行任务结构推断的重要性，并展示了紧凑本地模型在实际家庭部署中的有效性。
Comments Project page: https://aaronfengzy.github.io/TaskGround/
观看、推理与搜索：一个面向开放网络的视频深度研究基准，用于代理视频推理
机构 * LZU（兰州大学） ； HKUST(GZ)（香港科技大学（广州）） ； UBC（不列颠哥伦比亚大学） ； FDU（福建大学） ； PKU（北京大学） ； USC（美国南加州大学） ； NUS（新加坡国立大学） ； UCAS（中国科学院大学） ； HKUST（香港科技大学） ； QuantaAlpha（量子Alpha）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出VideoDR基准，用于研究开放网络环境下视频代理推理，通过跨帧视觉锚点提取、交互式网络检索和多跳推理验证，揭示了长检索链中维持初始视频锚点、目标漂移和长时程一致性等关键挑战。
SSL4RL：重新审视自监督学习作为视觉语言推理的内在奖励
机构 * Peking University（北京大学） ； MIT（麻省理工学院） ； TUM（技术大学（TUM）） ； Meituan（美团） ； Peking University School of CIT, MCML, MDSIEECS and CSAIL（北京大学计算机学院、MCML、MDSIEECS以及CSAIL）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SSL4RL框架，利用自监督学习任务作为强化学习的可验证奖励，提升视觉语言推理性能，并通过实验验证其在多模态模型对齐中的有效性。
基于查询的知识对齐用于可靠的跨系统医学推理
机构 * Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳先进研究院，电子科技大学） ； Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系） ； School of Computer Science and Engineering, Kyungpook National University（庆北国立大学计算机科学与工程学院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出了一种基于查询的知识对齐方法QCEA，通过将实体对齐问题转化为查询条件下的对应关系问题，以提升跨系统医学推理的可靠性，主要贡献是引入了方向感知变换模块以捕捉异构知识系统中的非对称和多对多对应关系。
超越定位：从全景图像中对MLLMs的视角条件空间推理进行综合诊断
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Guangzhou University（广州大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； HKUST(Guangzhou)（香港科技大学（广州））
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文研究了多模态大语言模型（MLLMs）在视角变化下的空间推理能力，提出了PCSR-Bench基准测试，评估了14种代表性MLLMs在不同任务上的表现，揭示了空间推理能力的显著差距，并探讨了通过强化学习进行优化的可能性。
Comments 10pages, 4 figures
ALIGN：一种通过地理空间神经推理进行高精度事故位置推断的视觉-语言框架
机构 * Department of Civil Engineering, Bangladesh University of Engineering and Technology（孟加拉工程与技术大学土木工程系）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 本文提出ALIGN框架，通过视觉-语言模型整合文本和图像数据，以高精度推断事故位置，显著优于传统文本解析方法，实现了亚公里级的定位精度。
SafeLens: 一种高效且可靠的视频护栏系统，采用快速和缓慢筛查
机构 * University of South Florida（佛罗里达州立大学） ； University of California, Davis（加州大学戴维斯分校）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出SafeLens视频护栏框架，通过快速和缓慢的推理架构实现高效的视频内容审核，同时构建高质量数据集并采用结构化Chain-of-Thought追踪来解决训练时间扩展的限制，从而在实际和AI生成视频基准测试中取得最佳性能，同时显著降低推理成本。
语义解耦与组合用于具有高效LLM推理和生成扩散的通用图像编码
机构 * Shanghai Jiao Tong University（上海交通大学） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative（宁波空间智能与数字衍生关键实验室） ； Ningbo Institute of Digital Twin（宁波数字孪生研究院） ； Eastern Institute of Technology（东部技术研究院） ； University of Science and Technology of China（中国科学技术大学） ； Yokohama National University（Yokohama国立大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出UniCodec，一种基于语义解耦和组合生成的通用图像编码框架，通过高效LLM推理和生成扩散模型实现人类和机器需求的统一压缩，无需重新训练。
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