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。
VISTAQA: 评估联合视觉问答与像素级证据
机构 * University of Waterloo（滑铁卢大学） ； Stanford University（斯坦福大学） ； NVIDIA（英伟达）
专题命中 视觉问答 ：visual question answering(title,abstract)；MLLM(abstract,abstract_cn)；grounding(abstract)；multimodal large language model(abstract)
AI总结 本文提出VISTAQA基准，用于评估视觉问答中自由回答的正确性和像素级证据的定位，通过引入GROVE指标，强调回答正确性与视觉证据对齐的重要性，实验显示现有系统在该指标下表现有限，揭示了回答准确性和视觉证据对齐之间的显著差距。
更深入的思考，更弱的目标：理解并缓解多模态大语言模型推理过程中感知障碍
机构 * Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Huawei Technologies（华为技术）
专题命中 视觉问答 ：multimodal large language model(title,abstract)；visual question answering(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文研究了多模态大语言模型在推理过程中出现的视觉感知障碍问题，提出了一种无需训练的视觉区域引导注意力框架，通过选择和重新加权视觉头部来引导模型关注与问题相关区域，从而提高视觉定位和推理准确性。
WikiVQABench: 一个基于维基百科和维基数据的知识引导视觉问答基准
机构 * IBM Research San Jose（IBM桑 Jose研究实验室）
专题命中 视觉问答 ：visual question answering(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出WikiVQABench，一个结合维基百科图片、文章描述和维基数据结构化知识的知识引导视觉问答基准，通过大规模语言模型生成候选多选题，并由人工审核确保事实正确性和视觉-文本一致性，评估多种视觉-语言模型在知识密集型推理中的性能。
UCSF-PDGM-VQA: 用于脑肿瘤MRI解读的视觉问答数据集
机构 * Fung Institute for Engineering Leadership（工程领导力基金会） ； University of California, Berkeley（加州大学伯克利分校） ； Department of Radiology（放射科） ； University of California, San Francisco（加州大学旧金山分校） ； Division of Clinical Informatics and Digital Transformation（临床信息学与数字转型部） ； Department of Neurological Surgery（神经外科部）
专题命中 视觉问答 ：visual question answering(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一个临床相关的视觉问答基准数据集UCSF-PDGM-VQA，包含2387个问题-答案对，用于评估视觉语言模型在处理多序列3D MRI扫描中的能力，发现现有模型在多模态处理上存在缺陷。
Comments 10 pages, 2 figures, 6 tables
NeuroQA: 一种大规模的3D脑部MRI理解图像 grounded 评估基准
机构 * Stanford University（斯坦福大学）
专题命中 视觉问答 ：vision-language model(abstract)；visual question answering(abstract)；grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出NeuroQA，一个大规模的3D脑部MRI视觉问答基准，包含来自12977名受试者的56953个问答对，涵盖5-104岁及五个临床领域，通过3D体积评估11种临床推理技能，并提供可复现的生成脚本和在线排行榜。
Comments 30 pages, dataset and benchmark release
InteractScience: 交互式科学演示代码生成的程序化与视觉导向评估
机构 * State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China（新型软件技术国家重点实验室，南京大学，中国南京） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，中国上海） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学，美国匹兹堡）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出InteractScience基准，用于评估大语言模型在生成交互式科学演示代码时结合科学知识与前端交互能力的综合表现，通过程序化测试和视觉测试相结合的方法，评估30种开源和闭源LLM的表现，揭示了在整合领域知识与交互前端编码方面的持续不足。
Comments 27 pages, 17 figures
FruitEnsemble: MLLM-Guided Arbitration for Heterogeneous ensemble in Fine-Grained Fruit Recognition
机构 * University of Science and Technology Liaoning（辽宁科技大学） ； Chuzhou University（楚州大学） ； Yeshiva University（犹他大学）
专题命中 视觉推理 ：MLLM(title,title_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出FruitEnsemble框架，通过多阶段动态推理解决细粒度水果分类中的泛化限制问题，利用MLLM进行专家仲裁以提升分类准确率，最终达到70.49%的分类精度。
Comments 10 pages,6 figures,submitted to CVPR 2026
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) 2026
OSGNet with MLLM Reranking @ Ego4D Episodic Memory Challenge 2026
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； National University of Singapore（新加坡国立大学） ； Pengcheng Laboratory（鹏城实验室） ； Shandong Jianzhu University（山东建筑大学） ； Southern University of Science and Technology（南方科技大学）
专题命中 视觉推理 ：MLLM(title,title_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出一种基于多模态大语言模型（MLLM）的重排序框架，用于解决Ego4D事件记忆挑战2026中的自然语言查询和目标步 tracks，通过结合现有定位模型OSGNet的候选片段和MLLM的视频-语言推理能力，提升时间片段的定位精度。
Comments Champion solution for the Natural Language Queries and GoalStep tracks of the Ego4D Challenge at the CVPR EgoVis Workshop 2026
解锁VLMs中的密集度量深度估计
机构 * Zhejiang University（浙江大学） ； Tencent Hunyuan LLM（腾讯混元大模型） ； HKUST（香港科技大学） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract,abstract_cn)；grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出DepthVLM，一种将单个VLM转换为原生密集几何预测器的简单有效框架，同时保持其多模态能力。通过在LLM主干上附加轻量级深度头，并在统一的视觉-文本监督范式下进行训练，DepthVLM能够在单次前向传递中生成高分辨率深度图和语言输出。此外，还引入了一个统一的室内-室外度量深度基准，实验表明DepthVLM在推理效率、复杂3D空间推理等方面均优于现有VLMs和纯视觉模型。
Comments Project Page: https://depthvlm.github.io/
利用视觉-语言模型检测教育视频中的注意力
机构 * Sorbonne University, CNRS, LIP6 & PHENIX（索邦大学、国家科学研究中心、LIP6与PHENIX）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文研究利用视觉-语言模型直接分析教育视频内容，结合眼动数据以提高注意力检测的准确性，但发现其在实时教育诊断中的局限性。
连接结构与语言：基于图的视觉推理用于自动驾驶道路理解
机构 * KTH Royal Institute of Technology（皇家理工学院） ； TRATON ； Stanford University（斯坦福大学） ； NVIDIA（英伟达）
专题命中 视觉推理 ：visual reasoning(title)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出结合道路子基质（CRS）框架，通过图结构和开放词汇语义的联合执行，解决自动驾驶中道路结构理解的精度与语义灵活性之间的平衡问题。
Affordance-R1: 为多模态大语言模型中的通用化 affordance 推理设计的强化学习
机构 * The Hong Kong University of Science and Technology (GZ)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学） ； ShanghaiTech University（上海科技大学） ； East China Normal University（华东师范大学） ； Nanjing University of Information Science & Technology（南京信息工程大学） ； Zhejiang University（浙江大学） ； Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 视觉推理 ：multimodal large language model(title)；grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出 Affordance-R1，一种结合认知 CoT 引导的 Group Relative Policy Optimization (GRPO) 的统一 affordance 地标框架，通过强化学习实现零样本泛化和测试时推理能力。
VLMs能否解锁语义异常检测？一个结构化推理的框架
机构 * Professorship of Autonomous Vehicle Systems TUM School of Engineering ； Design, Technical University of Munich Munich, Germany
专题命中 视觉推理 ：VLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SAVANT框架，通过结构化推理方法提升VLM在语义异常检测中的性能，实现对自动驾驶场景中罕见异常情况的更准确识别。
Comments 8 pages, 5 figures
ArchSIBench: 评估视觉-语言模型的建筑空间智能
机构 * School of Architecture, Tsinghua University（清华大学建筑学院）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ArchSIBench，一个基于建筑学、认知科学和心理学视角的建筑空间智能评估基准，通过17个细粒度子任务和3000个问题-答案对，评估多种VLMs在建筑空间感知、推理、导航、转换和配置方面的性能，发现大多数模型在空间转换和配置推理上仍与有建筑训练的人类评估者存在差距。
Comments 51 pages
VeraRetouch: 一个轻量级的全微分框架用于多任务推理照片修复
机构 * Zhejiang University（浙江大学） ； vivo BlueImage Lab（vivo BlueImage实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang Lab（浙江实验室）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出VeraRetouch，一个轻量级且全微分的多任务照片修复框架，通过使用0.5B视觉-语言模型和全微分的修复渲染器，实现了端到端的像素级训练，并引入了AetherRetouch-1M+数据集和DAPO-AE强化学习策略，以提升修复性能和泛化能力。
层次递归推理中的交互局部性
机构 * CyberAgent Inc.（CyberAgent公司）
专题命中 视觉推理 ：grounding(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 本文提出交互局部性框架，用于测量信息流是否在附近单元或语义段内传输或跨越，通过在HRM和TRM等层次递归推理模型上应用，验证了局部执行与全局规划的可重复测量框架。
JUDO: 一种面向工业异常问答的多模态推理框架
机构 * Sungkyunkwan University（成均馆大学） ； Seoul National University（首尔国立大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出JUDO框架，通过结合领域知识和上下文提升多模态推理能力，以解决工业异常检测中模型缺乏领域知识的问题，实验表明其在MMAD基准上优于Qwen2.5-VL-7B和GPT-4o。
Comments Published at ICLR 2026
通过轨迹积分反馈调节解剖感知奖励用于体积计算断层扫描分析
机构 * Zhejiang University（浙江大学） ； DAMO Academy, Alibaba Group（阿里集团达摩院） ； Hupan Lab（虎扑实验室） ； University of Electronic Science and Technology of China（电子科技大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出了一种新的框架，通过轨迹积分反馈GRPO（TIF-GRPO）来改进医疗视觉语言模型在三维CT分析中的性能，通过引入临床异常基准评估子系统（CABS）来解决优化目标与临床严谨性之间的不匹配问题，提升异常检测和临床准确性。
并行大语言模型推理用于偏见鲁棒、稳健的概念抽象
机构 * University of Turku, Turku, Finland（图尔库大学，芬兰图尔库） ； Brilloconnetz Partners avoin yhtiö, Turku, Finland（Brilloconnetz Partners 公司，芬兰图尔库）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出了一种结合并行分块处理与证据锚定整合的结构化框架，旨在减少长文档分析中的偏见、遗漏误差和过度泛化问题，通过并行处理和证据锚定提高文本分析的可靠性和可扩展性。
Comments Accepted to be Published in 12th Intelligent Systems Conference 2026, 3-4 September 2026 in Amsterdam, The Netherlands
ProCrit: 通过批评引导的修订实现自激发多视角推理用于多模态讽刺检测
机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） ； Baidu Inc.（百度公司） ； Zhipu AI（智谱AI）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出ProCrit，一种通过批评引导的修订实现自激发多视角推理的框架，用于多模态讽刺检测，解决了现有方法依赖固定视角的问题，通过动态生成多视角分析并进行协同优化。
Draw2Think: 通过约束引擎交互增强几何推理
机构 * National University of Singapore（新加坡国立大学） ； Centre for Frontier AI Research, Agency for Science, Technology and Research（科技研究局前沿人工智能研究中心） ； Institute of High Performance Computing, Agency for Science, Technology and Research（科技研究局高性能计算研究所）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 Draw2Think通过与GeoGebra约束引擎交互，将几何推理从潜在空间推断转换为与约束引擎的代理交互，从而提高几何推理的准确性和可验证性。
多模态基础模型中音频推理的综述
专题命中 视觉推理 ：visual reasoning(abstract)
AI总结 本文综述了多模态基础模型中音频推理的研究问题，探讨了音频推理模型的架构和训练基础，并系统整理了音频到文本、音频到语音、音频视觉推理和代理音频推理等领域的最新进展，同时分析了新兴范式和评估实践，提出了未来发展方向。
基于 RDF 图的数字孪生元模型语义 grounding
专题命中 视觉定位与Grounding ：grounding(title,title_cn)
AI总结 本文提出了一种基于 RDF 图的数字孪生元模型语义 grounding 方法，通过设计多层数字孪生模型、将元模型提升为 RDF 图以及图基对齐方法 SSM-OM，实现了多层数字孪生的语义一致性与互操作性。
Comments Submitted to Conference, 15 pages excluding references, 4 figures
视觉-语言模型是否准备好进行饮食评估？探索AI驱动的食品图像识别的下一个前沿
机构 * Biometrics and Data Pattern Analytics Lab, Universidad Autonoma de Madrid（生物度量与数据模式分析实验室，马德里自治大学） ； IMDEA Food, CEI UAM+CSIC（IMDEA食品，CEI UAM+CSIC）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；LLaVA(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文评估了六种先进的视觉-语言模型在不同层次上的食品识别能力，提出了一个新的评估指标，并展示了FoodNExTDB数据库在饮食评估中的应用潜力。
Comments Accepted at IEEE/CVF Computer Vision and Pattern Recognition Conference workshops 2025 (CVPRw) 10 pages, 4 figures, 2 tables
Journal ref 2025 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025, pp. 1-10
视觉-语言模型对连续驾驶场景的理解有多好？一项敏感性研究
机构 * Professorship of Autonomous Vehicle Systems（自动驾驶系统教授职位） ； TUM School of Engineering and Design（技术大学慕尼黑工程与设计学院）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文通过系统分析视觉-语言模型（VLMs）在连续驾驶场景中的表现，揭示了输入配置对模型性能的影响，发现即使顶级模型在连续驾驶场景中的准确率仅为57%，远低于人类在相似约束下的65%，并暴露了VLMs在理解车辆动态和时间关系上的显著差距。
Comments 8 pages, 5 figures
视觉象征性挑战：在手语形式-意义映射上评估视觉-语言模型
机构 * Multimodal Language Department（多模态语言部门） ； Max Planck Institute for Psycholinguistics（马克斯·普朗克心理语言学研究所） ； Department of Linguistics（语言学系） ； Boğaziçi University（博多伊奇大学） ； Donders Institute for Brain Cognition and Behaviour（多纳尔斯脑认知与行为研究所） ； Radboud University（拉德堡德大学） ； Department of Linguistics and Communication（语言学与沟通系） ； University of Birmingham（伯明翰大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出一个新颖的视频基准测试，用于评估视觉-语言模型在手语形式-意义映射上的表现，通过心理语言学测量来评估三种任务：语音学手语形式预测、透明度和渐进象征性评分，并发现模型在语音形式预测上表现较好但整体仍低于人类表现。
顺从综合征：具身机器人代理中的退避基准测试
机构 * Purdue University（普渡大学） ； Bilkent University（比尔肯特大学）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出了一种用于具身机器人代理的退避基准测试框架RoboAbstention，通过五种机器人数据集中的图像生成退避指令，评估了多个前沿VLMs在退避任务中的表现，并探讨了改进退避性能的方法。
TempGlitch: 评估视觉-语言模型在游戏视频中检测时间故障的能力
机构 * University of Alberta（阿尔伯塔大学） ； Sony Interactive Entertainment（索尼互动娱乐）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出TempGlitch基准测试，用于评估视觉-语言模型在游戏视频中检测时间故障的能力，发现现有模型在处理时间故障时表现不佳，且更密集的帧采样和更大的模型尺寸并不能有效解决这些问题。
通过逆运动学接地驾驶VLA
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； KimJaeChul AI Graduate School（金 JaeChul人工智能研究生院）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出通过逆运动学求解器重新设计驾驶VLA，以解决轨迹预测中对视觉token的忽略问题，通过引入视觉状态预测和逆运动学网络，提升了视觉接地和轨迹规划性能。
SR-Ground: 图像质量接地用于超分辨内容
机构 * Lomonosov Moscow State University（莫斯科罗蒙诺索夫莫斯科国立大学） ； MSU AI Center, Lomonosov Moscow State University（MSU人工智能中心，莫斯科罗蒙诺索夫莫斯科国立大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 本文提出SR-Ground数据集，用于超分辨图像中细粒度伪影分割，通过大规模众包研究生成高质量数据集，提升IQA模型性能并减少超分辨输出中的可感知伪影。
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