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。
DecoupleSearch: 通过分层奖励建模解耦规划与搜索
机构 * Tongyi Lab（通义实验室） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出DecoupleSearch框架，通过双值模型解耦规划与搜索过程，利用蒙特卡洛树搜索评估每一步的质量，并通过分层束搜索迭代优化规划和搜索候选，验证了方法的有效性。
Comments EMNLP 2025 Main Conference
NOETHER：从算子代数中构造性地发现元模式的框架
机构 * School of Computing, University of South China（南华大学计算机学院） ； Hunan Engineering Research Center of Software Evaluation and Testing for Intellectual Equipment（湖南软件测评与智能设备工程研究中心） ； CNNC Key Laboratory on High Trusted Computing（中核集团高可信计算重点实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本文提出NOETHER框架，通过从程序诱导的算子代数到元模式集的机械且可证明的下游步骤，解决元模式关系识别中的基础问题，同时通过三个算子代数领域验证了该框架的代数闭包和多项式时间可判定性。
Comments 71 pages, 18 tables, 1 figure. Under review at ACM Transactions on Software Engineering and Methodology. Supplementary materials (algorithm reference implementation, 84-MR PWR corpus, SE(3) case study harness, three-tier METRIC+ replication) at https://github.com/meng004/P1-MetaPattern
视觉-语言模型在点击式谜题游戏中是否展现出人类般的逻辑问题解决能力？
机构 * Institute of Artificial Intelligence, University of Stuttgart, Stuttgart, Germany（斯图加特大学人工智能研究所）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出VLATIM基准测试，用于评估在经典物理谜题游戏The Incredible Machine 2中人类般的逻辑问题解决能力，发现尽管大模型在规划方面表现优异，但精确的视觉定位仍存在问题，尚未达到人类水平。
PhyAVBench: 一个具有挑战性的音频物理敏感性基准，用于物理基础的文本到音频视频生成
机构 * HKUST(GZ)（香港科技大学（广州）） ； Tencent（腾讯）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出PhyAVBench，一个用于评估文本到音频视频生成、图像到音频视频生成和视频到音频生成模型中音频-物理基础能力的基准，通过引入新的数据集和评估方法，揭示了当前模型在物理合理音频生成方面的不足。
Comments 6 major physical dimensions, 41 fine-grained test points, 337 groups of variable-controlled test samples, 11,605 newly recorded videos
锂离子电池退化中的因果异常检测
机构 * Institute for Theoretical Physics, Heidelberg University（海德堡大学理论物理研究所） ； Intilion GmbH（Intilion公司）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本研究提出了一种基于因果图发现和k近邻转移熵的框架，用于通过常规循环 telemetry 数据检测锂离子电池退化，并通过三种信号类别包对异常评分进行组织，以提高检测灵敏度。
培养可推广的多模态操纵检测的推理能力
机构 * School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院） ； 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） ； CSIRO（澳大利亚联邦科学与工业研究组织） ； Northwestern Polytechnical University（西北工业大学） ； University of Macau（澳门大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出REFORM框架，通过推理驱动的方法改进多模态操纵检测，提升泛化能力，在多个数据集上取得新高准确率。
Comments Accepted to ACL 2026
ShareChat: 一个真实对话的大型数据集
机构 * Indiana University（印第安纳大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出ShareChat数据集，包含142,808条对话（660,293个回合），涵盖95种语言，分析不同平台对话完整性和响应延迟差异，揭示多平台交互特性。
检索增强生成系统中的可信度：综述
机构 * Tsinghua University（清华大学） ； Renmin University of China（中国人民大学） ； The Chinese University of Hong Kong（香港中文大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Hong Kong Polytechnic University（香港理工大学） ； Microsoft Research Asia（微软亚洲研究院） ； University of Illinois（伊利诺伊大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文综述了检索增强生成系统中可信度的关键维度，提出Trust-RAG Compass框架，评估事实性、鲁棒性等六个方面，并建立评估基准，揭示不同LLM在可信度方面的性能差异，指出未来研究方向。
功能全脑模型：一种统一脑结构与认知功能的新框架
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出功能全脑模型（fWBMs），旨在整合脑结构和动态真实性与任务执行能力，通过三个支柱路线图在短期、中期和长期目标上推进，为脑科学研究提供新的工具和跨尺度假设。
语言模型能否识别乳腺癌放射治疗的副作用？
机构 * University of Virginia（弗吉尼亚大学） ； Mass General Brigham Dana-Farber Cancer Institute Harvard Medical School（麻省总医院达纳-法伯癌症研究所哈佛医学院）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本研究探讨了语言模型在识别乳腺癌放射治疗副作用中的能力，通过评估多种语言模型在不同提示下的表现，揭示了其在精度、召回率及罕见长期副作用识别上的局限性，并提出了改进方向。
FastOCR: 通过KV缓存剪枝实现高效的动态视觉聚焦文档解析
机构 * Tsinghua University（清华大学）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出FastOCR，一种无需训练的框架，通过动态视觉聚焦技术解决文档解析中的高效KV缓存剪枝问题，显著提升处理速度和准确性。
UniPPTBench: 一种统一的演示生成基准，适用于多样化的输入设置
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出UniPPTBench，一个统一的演示生成基准，针对四种代表性的输入设置：模糊提示、长文档、多模态文档和多源生成，同时引入UniPPTEval评估协议，结合跨设置比较的共享指标和针对每个设置核心需求的定制指标，以提供更准确的评估框架。
ChartDesign: 向数据可视化设计的LLM设计师迈进
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
专题命中 文档图表理解 ：vision language model(abstract)；分类 cs.AI
AI总结 本文提出ChartDesign，利用大语言模型生成数据可视化设计属性，提升图表设计性能，实现84%的准确率，并在未见领域中表现出色。
AtlasVA: 无教师视觉技能记忆用于无需教师的VLM代理
机构 * Ant Group（蚂蚁集团） ； University of Science and Technology of China（中国科学技术大学） ； Westlake University（西湖大学） ； University of Michigan - Ann Arbor（密歇根大学-安娜堡分校） ； Sun Yat-sen University（中山大学）
专题命中 GUI与屏幕智能体 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出AtlasVA，一种无需教师的视觉技能记忆框架，通过空间热图、视觉示例和符号文本技能三层结构，统一感知、记忆和优化，实现在无需外部LLM监督下的强化学习性能提升。
WinDeskGround：复杂多窗口桌面环境中的鲁棒GUI定位基准
机构 * School of Cyberspace, Hangzhou Dianzi University, Hangzhou, China（杭州电子科技大学信息学院） ； Microsoft（微软公司）
专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出WinDeskGround基准，通过参数生成复杂桌面场景，评估GUI定位鲁棒性。实验显示顶级模型在简单环境表现佳，但部分遮挡下准确率下降。
对比性概念激活引导（COAST）：通过隐藏状态解锁视觉-语言-动作模型
机构 * University of Pennsylvania（宾夕法尼亚大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出COAST方法，通过识别成功子空间来提升视觉-语言-动作模型在机器人任务中的性能，其核心方法是利用概念投射来引导模型向成功分布发展，从而提高任务成功率。
Comments Submitted to NeurIPS 2026
MementoGUI: 学习代理多模态记忆控制以实现长周期GUI代理
机构 * University of Rochester（罗切斯特大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
专题命中 GUI与屏幕智能体 ：MLLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.CV
AI总结 本文提出MementoGUI，一种学习代理多模态记忆控制框架，用于提升长周期GUI代理的任务状态维持能力，通过模块化记忆控制和可扩展的数据管道提高记忆检索和决策效率。
Comments Preprint, 15 pages, 4 figures, 5 tables
基于事件的稀疏自编码器用于视觉-语言-动作策略
机构 * Department of Computer Science, Purdue University West Lafayette, IN 47907（计算机科学系，普渡大学西拉法叶分校，印第安纳州，47907）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 本文提出了一种基于事件的稀疏自编码器（SAE）分析方法，用于视觉-语言-动作（VLA）策略的可解释性研究，通过行为事件锚定SAE特征分析，提升了对闭合回路行为的因果影响和可解释性。
可部署的具身视觉-语言导航系统：具有层次认知和上下文感知探索
机构 * Center for Advanced Robotics Technology Innovation (CARTIN), School of Electrical and Electronic Engineering, Nanyang Technological University（先进机器人技术与创新中心（CARTIN）、电子工程学院、南洋理工大学） ； Spatial AI & Robotics Lab, Department of Computer Science and Engineering（空间人工智能与机器人实验室、计算机科学与工程系）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)
AI总结 本文提出一种可部署的具身视觉-语言导航系统，通过分层认知和上下文感知探索，在真实机器人上实现高效导航与强推理能力。
Comments 10 pages, 5 figures,
GRaD-Nav++: 基于视觉-语言模型的视觉无人机导航：高斯辐射场与可微动力学
机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空航天工程系）
专题命中 GUI与屏幕智能体 ：vision-language model(title,journal_ref)
AI总结 GRaD-Nav++提出一种轻量级视觉-语言-动作框架，通过可微强化学习在3D高斯点云模拟器中训练，实现基于自然语言指令的实时无人机导航，展示在多任务和多环境下的高效导航能力。
Comments Published in: IEEE Robotics and Automation Letters ( Volume: 11, Issue: 2, February 2026)
Journal ref Chen, Qianzhong, et al. "Grad-nav++: Vision-language model enabled visual drone navigation with gaussian radiance fields and differentiable dynamics." IEEE Robotics and Automation Letters 11.2 (2025): 1418-1425
Robo-Cortex: 通过双粒认知记忆和自主知识诱导实现自我进化具身智能体
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； X-Humanoid ； Institute of Automation, CAS（中国科学院自动化研究所） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出Robo-Cortex框架，通过双粒认知记忆和自主知识诱导机制，使机器人能够自主诱导导航启发式方法并优化认知策略，从而在复杂环境中实现自主导航和探索。
基于互联网规模知识的自监督行动预测具身推理
机构 * Stanford（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； NVIDIA（英伟达）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出R&B-EnCoRe方法，通过自监督细化使模型从互联网知识中自推导具身推理策略，提升动作执行和导航性能，减少碰撞率。
Comments Robotics: Science and Systems (RSS) 2026
FUNCanon: 通过功能对象规范化学习姿态感知的动作原语以实现通用的机器人操作
机构 * TAMS (Technical Aspects of Multimodal Systems), Department of Informatics, University of Hamburg（汉堡大学信息学院TAMS（多模态系统技术）） ； Technical University of Munich（慕尼黑技术大学） ； Agile Robots SE（敏捷机器人有限公司）
专题命中 GUI与屏幕智能体 ：vision language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出FUNCanon框架，通过功能对象规范化学习姿态感知的动作原语，以实现通用的机器人操作，该方法将长周期操作任务分解为由主体、动词和对象定义的动作片段，从而提升策略的可组合性和可重用性。
Comments project website: https://sites.google.com/view/funcanon, 11 pages
LightZeroNav: 基于轻量级VLMs的连续环境中零样本视觉语言导航
机构 * Foshan Graduate School of Innovation, Northeastern University（创新研究生院，东北大学） ； Faculty of Robot Science and Engineering, Northeastern University（机器人科学与工程学院，东北大学） ； School of Aeronautic Science and Engineering, Beihang University（航空科学与工程学院，北航） ； QingniaoAI, China（清北AI，中国）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出LightZeroNav，通过轻量级VLMs解决连续环境中零样本视觉语言导航的三大瓶颈，无需特定训练或图搜索，在RGB观测和轻量级Qwen3-VL-8B模型下实现与GPT-4o相当的性能。
NORM-Nav: 通过自然语言行为约束实现零样本移动机器人导航
机构 * College of Information Science and Technology, Beijing University of Chemical Technology（北京化工大学信息科学与技术学院） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Institute of Systems Engineering and Collaborative Laboratory for Intelligent Science and Systems, Macau University of Science and Technology（澳门大学系统工程与智能科学与系统联合实验室） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院）
专题命中 GUI与屏幕智能体 ：grounding(abstract_cn)
AI总结 本文提出NORM-Nav框架，通过将自然语言行为约束整合到基于成本图的规划中，提升移动机器人在人类环境中导航的社交适应性，实验表明其在任务成功率和轨迹贴近人类参考方面优于基线方法。
值得拥有的概念：通过最小标注精炼VLM引导的概念瓶颈模型
机构 * DISI, University of Trento, Italy（特伦托大学DISI研究所，意大利）
专题命中 幻觉与鲁棒性 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出VH-CBM模型，结合VLM和少量标注提升概念预测准确性与可解释性，验证其在概念校准和主动学习中的优势。
VISOR：基于视觉-语言模型的机器人测试 oracle
机构 * Simula Research Laboratory（Simula研究实验室） ； Oslo Metropolitan University（奥斯陆理工大学） ； Mondragon University（蒙dragon大学） ； National Institute of Informatics（国立信息研究所）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)
AI总结 VISOR 提出基于视觉-语言模型的自动化测试 oracle 方法，解决机器人测试中任务正确性评估难题，通过两个模型在多个任务上验证，展现高召回率和高精确度，但不确定性与正确性相关性低。
CounterCount: 一种用于视觉语言模型计数偏差诊断的框架
机构 * KAUST（卡尔斯鲁德大学） ； University of Edinburgh（爱丁堡大学） ； King Abdullah University of Science and Technology（国王阿卜杜勒-阿齐兹大学）
专题命中 幻觉与鲁棒性 ：vision language model(title)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出CounterCount框架，通过对比事实性与反事实性图像来诊断视觉语言模型在计数任务中的偏差问题，揭示模型对物体级先验知识的依赖，并提出统一的注意力调节策略提升反事实计数准确性。
注意力劫持：跨查询的视觉-语言模型响应操控
机构 * Hong Kong University of Science and Technology（香港理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文研究了视觉-语言模型中跨查询响应操控问题，提出了一种新的对抗攻击方法Attention Hijacking，通过引导内部注意力分布保持图像主导模式，提高攻击在不同查询下的有效性。
大型视觉-语言模型在视觉标记压缩下的对抗鲁棒性研究
机构 * The Hong Kong Polytechnic University, Hong Kong（香港理工大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； Chongqing University, Chongqing, China（重庆大学） ； Research Centre for Privacy and Security Technologies in Future Smart Systems, PolyU（未来智能系统中的隐私与安全技术研究中心）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文研究了视觉标记压缩对大型视觉-语言模型对抗鲁棒性的影响，提出CAGE攻击方法，通过优化与压缩推理对齐，揭示压缩机制下的鲁棒性漏洞。
Comments Accepted by ICML 2026
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