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。
SVFSearch: 一种面向游戏垂直领域的多模态知识密集型短视频帧搜索基准
机构 * Kuaishou Technology（快手科技）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出SVFSearch，首个针对中文游戏领域短视频帧搜索的多模态知识密集型基准，通过5000个四选一测试示例和4198个辅助训练示例，评估了从直接问答到计划-行动-重新计划代理等多种方法在短视频帧搜索中的性能。
MedicalBench: 评估大型语言模型以改进医疗概念提取
机构 * Optum AI
专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)
AI总结 本文提出MedicalBench，一个用于评估大型语言模型在医疗概念提取中的表现的基准，重点在于隐含概念的提取和证据 grounding，通过多阶段流程构建数据集并定义两种互补的评估任务，揭示了隐含概念提取的挑战。
AgentCo-op: 基于检索的互操作多智能体工作流合成
机构 * Ray and Stephanie Lane Computational Biology Department, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院雷和斯蒂芬妮·兰德计算生物学系） ； Machine Learning Department, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器学习系）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出AgentCo-op，一种基于检索的多智能体工作流合成框架，通过类型化任务传递合成可执行工作流，并在执行证据表明失败时应用有界自引导局部修复。在两个开放世界基因组学案例研究中，AgentCo-op在不重设计或运行全局拓扑搜索的情况下，将独立开发的科学智能体和外部工具库整合到可审计的工作流中。
ArPoMeme：一个标注的阿拉伯多模态数据集用于政治意识形态和极化
机构 * Northwestern University in Qatar（卡塔尔西北大学） ； Independent Researcher（独立研究员） ； Hamad Bin Khalifa University（哈马德·本·卡伊夫大学） ； University of Tübingen（图宾根大学）
专题命中 视觉定位与Grounding ：vision language model(abstract)；grounding(abstract)
AI总结 本文提出ArPoMeme数据集，用于分析阿拉伯政治漫画的多模态和意识形态维度，通过自定义工具实现大规模标注，揭示意识形态极化特征。
Comments Accepted at LREC 2026 Main Conference
在消费级硬件上实现GraphRAG：对本地LLMs在医疗EHR模式检索中的基准测试
机构 * Department of Computer Engineering（计算机工程系） ； California Polytechnic State University（加州州立大学波特兰分校）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文研究了在消费级硬件上使用本地LLMs进行医疗EHR模式检索的GraphRAG方法，评估了四种不同模型在索引效率、知识图构建、查询延迟、回答质量和幻觉方面的表现，发现模型参数大小和检索模式对结果有显著影响。
Comments 9 pages, 1 figure, 5 tables
OmniVL-Guard Pro: 一个增强工具的代理用于综合视觉-语言防伪
机构 * School of Computer Science and Information Engineering, Hefei University of Technology, Hefei, China（合肥工业大学计算机科学与信息工程学院） ； Wuhan University, Wuhan, China（武汉大学） ； Lab for Intelligence and visiON (LION)（智能与视觉实验室） ； Xi'an Jiaotong University（西安交通大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 该研究提出OmniVL-Guard Pro，一种增强工具的代理，用于综合视觉-语言防伪，通过整合多种工具环境和引入新的强化学习方法，实现了开放世界中的线索驱动推理，并在多个任务上达到了最先进的性能。
Comments 29 pages
多模态最优传输用于手术机器人中的无训练时序分割
机构 * Dept. of Robotics, Mohamed bin Zayed University of AI（机器人系，Mohamed bin Zayed人工智能大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出了一种无需标注的手术时序分割框架TASOT，通过结合时间对齐的文本描述和视觉信息，在统一的不平衡Gromov-Wasserstein最优传输目标下融合视觉和语义线索，实现了在多个公开手术数据集上的显著提升。
比较解释并不足够，解释变化：需要新的标准来解释大型语言模型中的行为转变
机构 * Scuola Normale Superiore（诺莱学院） ； ISTI-CNR（意大利国家研究委员会ISTI研究所） ； University of Pisa（比萨大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出了一种新的XAI方法，旨在解释大型语言模型在干预后行为转变的原因和机制，以应对现有解释方法无法解释行为转变的问题。
ConceptSeg-R1: 通过元强化学习实现任意概念的分割
机构 * Dalian University of Technology（大连理工大学） ； X3000 Inspection Co., Ltd（X3000检测有限公司） ； Nanyang Technological University（南洋理工大学） ； Yale University（耶鲁大学） ； Northwestern Polytechnical University（西北工业大学） ； Hunan University（湖南大学）
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ConceptSeg-R1框架，通过元强化学习机制学习可迁移的任务规则，结合轻量级概念翻译模块实现概念分割，并在多个领域基准上验证了其在概念层次上的强性能。
IndusAgent: 通过智能工具增强开放词汇工业异常检测
机构 * State Key Lab of Processors, Institute of Computing Technology, CAS（处理器国家重点实验室，计算技术研究所，中国科学院） ； Santa Clara University（圣克拉拉大学） ； LongCat Team（LongCat团队） ； Independent Researcher（独立研究者） ； New York University（纽约大学） ； Sun Yat-sen University（孙中山大学） ； Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出IndusAgent框架，通过整合视觉观测、高分辨率局部片段和专家正常性先验，提升开放词汇工业异常检测的零样本性能，验证了方法的鲁棒性和泛化能力。
面向异构业务系统的超图企业代理推理器
机构 * SUPCON
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出HEAR，一种基于分层超图本体的企业代理推理器，通过分层图层和超边层实现结构化多跳分析，无需重新训练LLM，在供应链任务中达到94.7%的准确率，并展示出适应性和效率。
DeformMaster: 一个用于从视频中生成变形物体交互物理-神经世界模型
机构 * Nankai University（南开大学） ； Zhejiang University（浙江大学） ； Southern University of Science and Technology（南方科技大学） ； Rightly Robotics, A4X（Rightly Robotics，A4X） ； University of Science and Technology of China（中国科学技术大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本研究提出DeformMaster，一种基于视频的交互物理-神经世界模型，能够从真实交互视频中生成变形物体的统一动态-外观框架，通过保留结构化的物理推演并利用神经残差补偿未建模效应，实现高保真4D外观生成，实验表明其在动态预测和外观渲染方面优于现有方法。
Comments Project page: https://can-lee.github.io/deformmaster-web/
通过联合嵌入实现零样本卫星图像检索：应用于危机响应
机构 * Trillium Technologies ； University of Cambridge（剑桥大学） ； Universidad de Antioquia（Antioquia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GeoQuery系统，通过两阶段语义和视觉搜索，在无需配对数据和计算资源的情况下实现全球范围内的自然语言查询，利用部分全球数据的自然语言嵌入，优化描述生成提示以使文本嵌入空间与冻结CLAY视觉嵌入空间的距离相关联，从而在灾难地点查询中实现高精度检索。
如果智能体能够想象？通过生成强化开放词汇人-物交互理解
机构 * Dream-X Team（Dream-X团队） ； Stanford University（斯坦福大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究者） ； Case Western Reserve University（凯斯西储大学） ； UC Santa Cruz（加州大学圣克鲁兹分校）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出ImagineAgent框架，通过生成式世界建模和工具增强强化学习，解决开放词汇人-物交互理解中的跨模态幻觉和视角限制问题，实现了高效且鲁棒的推理。
SegRAG: 无需训练的检索增强语义分割
机构 * Khalifa University（卡利法大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出SegRAG，一种无需训练的检索增强语义分割框架，通过结合类特定点提示和文本信息，提升分割性能，在多个基准测试中取得显著提升。
CosFly-Track: 一个大规模多模态数据集，用于通过多约束轨迹优化的无人机视觉跟踪
机构 * Autel Robotics（Autel机器人公司） ； Nanjing University（南京大学） ； Peking University（北京大学） ； Southern University of Science and Technology（南方科技大学） ； University of Hong Kong（香港大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)
AI总结 本文提出CosFly-Track数据集，用于无人机视觉跟踪任务，通过多约束轨迹优化生成大规模多模态数据，提升了动态目标跟踪性能。
EnterpriseRAG-Bench: 一个用于企业内部知识的RAG基准测试
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出EnterpriseRAG-Bench，一个包含50万文档和500个问题的基准测试，用于评估和比较基于检索增强生成（RAG）方法在企业内部知识处理中的性能。
Comments Code and dataset available at https://github.com/onyx-dot-app/EnterpriseRAG-Bench or https://huggingface.co/datasets/onyx-dot-app/EnterpriseRAG-Bench
LLM4Log: 大型语言模型基于日志分析的系统综述
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文系统综述了基于大型语言模型的日志分析，涵盖从日志生成维护到解析结构化及下游任务如异常检测、故障预测、根本原因分析和日志摘要的全流程，总结了常见设计模式和评估实践，并指出可靠实际应用中的关键挑战和开放问题。
使用视觉-语言模型进行意大利议会演讲的转录与识别
机构 * Università degli Studi di Milano（米兰大学） ； Department of Social and Political Sciences（社会科学系） ； Department of Literary Studies, Philology and Linguistics（文学研究、语言学与语言学系） ； Department of Computer Science（计算机科学系）
专题命中 文档图表理解 ：vision-language model(title,abstract)；分类 cs.AI
AI总结 本文提出基于视觉-语言模型的 pipeline，用于自动转录、语义分割和实体链接意大利议会演讲，提升转录质量和发言者标注。
Comments to be published in: ParlaCLARIN V: Interoperability, Multilinguality, and Multimodality in Parliamentary Corpora, organized within the 15th Language Resource and Evaluation Conference (2026)
TextSculptor: 训练和评估场景文本编辑
机构 * Beijing Jiaotong University（北京交通大学） ； Bytedance（字节跳动）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出TextSculptor框架，通过构建大规模数据集和基准测试，解决场景文本编辑中高质量训练数据稀缺和缺乏标准化评估的问题，提升开源模型性能。
FineVision: 你只需要开放数据
机构 * Hugging Face ； Technical University of Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出FineVision，一个包含2400万样本的高质量数据集，通过半自动化流程整合了200多个来源，通过严格的数据清洗和人工审核确保数据质量，训练基于该数据集的模型在广泛评估中表现更优，推动数据驱动的视觉语言模型研究。
在任务无关的世界模型中强化视觉-语言-动作
机构 * Microsoft Research Asia（微软亚洲研究院） ； Nanjing University（南京大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Wuhan University（武汉大学） ； University of Technology Sydney（悉尼科技大学） ； Tsinghua University（清华大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 本文提出RAW-Dream方法，通过分离世界模型学习与下游任务依赖，利用预训练的世界模型和现成的视觉-语言模型，实现零样本推理，从而在无需任务特定数据的情况下提高VLA适应性。
如何移动决定了将来的行动：轨迹条件的自身视角预测
机构 * Khoury College of Computer Sciences, Northeastern University, Boston（北德文斯克学院，东北大学，波士顿） ； Korea Advanced Institute of Science and Technology, Daejeon（韩国科学技术院，大田） ； Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系，意大利）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 该研究通过轨迹条件自身视角预测，发现轨迹能更精确地表达意图，从而在任务规划中优于语言条件，且在预测时无需观察轨迹即可获得显著优势。
Comments Project page: https://farsightlab.github.io/TrajPilot
VLANeXt: 构建强大VLA模型的配方
机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； SenseTime Research（商汤科技研究院） ； Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文通过统一框架和评估设置重新审视VLA设计空间，系统分析了基础组件、感知要素和动作建模视角，总结出12项关键发现，提出了一种简单有效的VLA模型VLANeXt，并在LIBERO和LIBERO-plus基准测试中超越了现有方法，同时提供了易于使用的代码库。
Comments Accepted in ICML 2026, Project Page: https://dravenalg.github.io/VLANeXt/
基于仿真护理教育的自主学习能力评估：通过第一人称视频进行AI辅助评估
机构 * Vanderbilt University（范德比大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出了一种基于第一人称视频的AI辅助评估框架，通过提取动作时间线、序列特征和识别指标，发现识别准确率与能力之间存在负相关关系，表明识别准确率可以作为自动化评估中的教学信息信号。
Comments Accepted at CVPR Workshop
Mem-$π$: 通过学习何时以及生成什么来实现自适应记忆
机构 * ServiceNow AI Research（ServiceNow AI研究院） ； Mila -- Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； CIFAR AI Chair（CIFAR人工智能主席）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.AI
AI总结 Mem-$π$ 通过学习在何时以及生成什么来实现自适应记忆，利用专门的语言或视觉-语言模型生成上下文特定的指导，从而在多种代理任务中优于基于检索和先前RL优化的记忆基线。
Comments Work in progress
PointACT: 多尺度点-动作交互的视觉-语言-动作模型
机构 * Inria（法国国家信息与自动化研究所） ； École normale supérieure（法国高等科学研究院） ； CNRS（法国国家科学研究中心） ； PSL Research University（巴黎综合理工研究院）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出PointACT，一种集成层次化3D点云表示的3D感知视觉-语言-动作政策，通过多尺度点-动作交互机制提升机器人在3D环境中的精细几何推理和空间定位能力。
Comments Accepted to RSS 2026; project webpage: https://cshizhe.github.io/projects/pointact.html
SurgOnAir: 基于层次感知的实时手术视频评论
机构 * Computer Aided Medical Procedures (CAMP), TU Munich, Germany Munich Center for Machine Learning (MCML), Munich, Germany University of Strasbourg, France The Chinese University of Hong Kong, Hong Kong
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出SurgOnAir，一种流式视觉-语言模型，通过层次化数据集实现对手术流程多层级的实时理解与评论生成，提升手术过程中的即时响应能力。
HalluCXR: 评估和缓解医疗视觉-语言模型在胸部X光解读中的幻觉
机构 * Department of Biostatistics & Health Informatics, Institute of Psychiatry, Psychology & Neuroscience, King’s College London（生物统计学与健康信息学系，精神病学、心理学与神经科学研究所，伦敦国王学院）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 本文提出HalluCXR基准，评估六种不同架构的视觉-语言模型在856例分层MIMIC-CXR胸部X光图像上的表现，发现61.9%-82.3%的输出存在幻觉，其中80.2%存在临床危险错误，通过引入幻觉分类学、检测管道和模型集成方法，提出了缓解幻觉的策略。
通过黎曼流匹配对预训练视觉语言模型进行知识不确定性量化
机构 * Department of Information Technology, Uppsala University, Uppsala, Sweden（瑞典乌普萨拉大学信息科技系） ； Science for Life Laboratory, Uppsala University, Uppsala, Sweden（瑞典乌普萨拉大学生命科学实验室）
专题命中 幻觉与鲁棒性 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.LG
AI总结 本文提出REPVLM方法，通过黎曼流匹配在视觉语言模型嵌入的超球面流形上计算概率密度，以量化模型的知识不确定性，并在分类和异常检测中取得显著效果。
Journal ref Forty-Third International Conference on Machine Learning, 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