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。
GMOS: 在3D空间和时间中定位运动物体分割
机构 * Visual Geometry Group, Department of Engineering Science, University of Oxford, UK（牛津大学工程科学系视觉几何组） ； SAI, Shanghai Jiao Tong University, China（上海交通大学SAI）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 提出GMOS框架，直接在RGB视频上实现3D感知、时间细粒度的多运动物体分割，并构建GMOS-2K数据集和MOS-I评估协议，在多个基准上取得最先进结果。
Comments Project Page: https://www.robots.ox.ac.uk/vgg/research/gmos/
用于时序动作定位的掩码扩散视觉语言模型
机构 * Wuhan University（武汉大学） ； Singapore University of Technology and Design（新加坡科技设计大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；分类 cs.CV
AI总结 提出掩码扩散视觉语言模型（MDVLM）用于时序动作定位，通过双向注意力迭代去噪联合优化语义和边界，并引入边界感知掩码和步级IoU奖励解决训练不匹配问题。
面向多模态大语言模型的局部化与解耦知识编辑
机构 * Hefei University of Technology（合肥工业大学） ； Tongji University（同济大学）
专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；分类 cs.AI
AI总结 针对多模态知识编辑中因果错位和特征纠缠问题，提出LDKE框架，通过快速定位关键层和解耦分类器实现精准泛化编辑并保持高局部性。
MusTBENCH：音乐大语言模型中的时间定位基准与推进
机构 * Seoul National University（首尔国立大学） ； Sony Group Corporation（索尼集团） ； Sony AI（索尼人工智能）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI
AI总结 提出MusTBENCH基准和MusT四阶段优化方法，评估并提升音乐大语言模型在音频中的时间定位能力。
小巧但可信：面向时间序列异常检测的高效视觉-语言推理
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Sandia National Laboratories（桑迪亚国家实验室）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 针对时间序列异常检测中缺乏自然语言解释的问题，构建VisAnomBench基准并微调参数高效的视觉-语言模型VisAnomReasoner，在准确性和泛化性上显著超越基线。
VOGUE：面向时尚领域对话式推荐的多模态数据集
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；MLLM(abstract_cn)
AI总结 为弥补多模态对话推荐数据集的不足，构建了包含60个人类对话、2100个细粒度标注话语的VOGUE数据集，支持视觉和上下文推理评估，并揭示了多模态大语言模型在偏好推断上的系统性分布误差。
轻量级多模态大语言模型驱动的输电设备经济高效缺陷分级
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)
AI总结 提出基于多模态大语言模型的缺陷分级框架，通过上下文学习最大化商业模型潜力，并利用链式思考问答对微调轻量级模型，实现低成本高精度分级。
Comments 9pages, 6figures
CaC：通过分层时空聚焦推进视频奖励模型
机构 * BJTU（北京工业大学） ； NTU（国立台湾大学） ； BUPT（北京邮电大学） ； Kuaishou Technology（快手科技）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出基于视觉语言模型的粗到细异常奖励模型CaC，通过全局时间扫描、局部空间定位和结构化时空思维链推理，结合大规模生成视频异常数据集和三阶段渐进训练，显著提升细粒度异常检测精度并减少生成视频异常。
Comments 27 pages, 10 figures
Honeyval: 基于LLM的HTTP蜜罐综合评估框架
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； AI Sequrity Company（AI安全公司） ； Independent（独立）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出Honeyval评估框架，通过16个后端应用、AI攻击代理、控制任务和可验证利用目标，系统评估LLM驱动的HTTP蜜罐，发现其相比规则基线能显著延长攻击交互、降低被前沿模型检测率，且保持成本优势。
相同证据，不同答案：面向多轮语言模型的规范上下文在线策略蒸馏
机构 * Zhejiang University（浙江大学） ； 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.AI
AI总结 提出规范上下文在线策略蒸馏（CCOPD）方法，通过教师-学生框架对齐模型在完整提示和逐步揭示信息下的行为，减少自我锚定漂移，在多轮数学对话上训练后，在原始分片任务上平均提升32%性能。
PokerSkill: 无需训练或求解器，大语言模型可达到专家级扑克水平
机构 * IIIS, Tsinghua University（清华大学人工智能研究院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出PokerSkill框架，通过规则驱动的技能库约束大语言模型动作，无需训练或求解器即可在扑克中达到接近GTO水平的性能。
Comments 45 pages, 3 figures
Matryoshka 概念瓶颈模型
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 提出 Matryoshka 概念瓶颈模型 (MCBM)，通过嵌套层次结构实现自适应概念利用，将预期干预成本从线性降低到对数阶 O(log K)，同时保证单调性能提升。
DeepSurvey: 提升自动综述生成中的分析深度与引用可靠性
机构 * X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院X-LANCE实验室） ； Jiangsu Key Lab of Language Computing, Suzhou, China（江苏省语言计算重点实验室） ； Suzhou Laboratory, Suzhou, China（苏州实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出DeepSurvey智能体系统，通过结构化全文笔记、跨论文关系建模和代码仓库分析增强分析深度，结合引文图扩展与混合过滤、证据约束引用分配及多粒度智能体精炼提升引用可靠性，在内容质量和引用准确性上超越现有方法。
GroundAct：LLM智能体能否在环境状态中实现动作落地？
机构 * Zhejiang University（浙江大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本研究提出GroundAct基准，通过1500个场景和16592个任务实例评估15个LLM，发现动作落地能力是多维挑战，不能仅通过模型规模解决。
Comments Project Page: https://zju-real.github.io/OmniEmbodied Code: https://github.com/ZJU-REAL/OmniEmbodied
我是谁？面向辅导对话中学生模拟的历史感知档案
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Eedi
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出历史条件的学生模拟任务，通过强化学习训练档案生成器和模拟器，利用学生历史信息准确预测对话轮次，在数学学习平台数据集上显著优于基线。
CriticalKV: 从输出扰动角度优化 KV 缓存淘汰
机构 * School of Computer Science, University of Science and Technology of China（科学技术大学计算机科学学院） ； School of Biomedical Engineering, USTC（USTC生物医学工程学院） ； Data Darkness Lab, MIRACLE Center, Suzhou Institute for Advanced Research（苏州先进研究院数据黑暗实验室、奇迹中心） ； School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文通过分析注意力输出扰动，提出一种基于扰动约束的 KV 缓存条目选择算法，显著降低压缩损失。
Comments ICML 2026
从数据到洞察：探索程序化思维提示在图表摘要中的应用
机构 * Adelaide University（阿德莱德大学）
专题命中 文档图表理解 ：VLM(abstract_cn)；visual language model(abstract)
AI总结 本文提出一种零样本学习方法，通过Python程序作为中介，利用程序化思维策略驱动轻量级视觉语言模型进行图表摘要，并引入图表到字典的辅助任务以提高灵活性和性能。
Comments 22 pages, 9 figures
LabBuilder: 基于协议的可交互且安全的3D实验室布局生成
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Wuhan University（武汉大学） ； Beihang University（北航） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； Shanghai Jiaotong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV
AI总结 提出LabBuilder系统，通过协议引导和约束感知优化，从文本描述生成安全且可执行的3D实验室布局，显著优于现有方法。
Comments Accepted to ICML 2026
含文本图像的机器翻译系统比较评估
机构 * ValgrAI - Valencian Graduate School and Research Network for Artificial Intelligence（ValgrAI - 瓦伦西亚人工智能研究生学院和研究网络）
专题命中 文档图表理解 ：MLLM(abstract_cn)
AI总结 本研究比较评估了三种机器翻译范式（模块化流水线、多模态大语言模型和端到端模型Translatotron-V）在含文本图像翻译任务上的性能，发现多模态大语言模型表现最佳。
DiffSpot：VLM能发现网页界面中的细微视觉差异吗？
机构 * WeChat AI, Tencent Inc（腾讯公司）
专题命中 GUI与屏幕智能体 ：VLM(title_cn,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出DiffSpot基准，通过CSS属性突变生成可控图像对，评估视觉语言模型在网页界面中检测细微视觉差异的能力，发现最佳模型仅识别40.7%的真实变化。
PrecisionCUA：代码编辑器中像素级光标定位的迭代视觉细化
机构 * Microsoft（微软公司） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；visual reasoning(abstract)；分类 cs.CV
AI总结 提出PrecisionCUA方法，通过迭代视觉反馈细化机制实现代码编辑器中像素级光标定位，显著提升点击精度和任务成功率。
通过逆动力学学习缓解视觉-语言-动作模型中的状态混叠
机构 * KAIST（韩国科学技术院） ； Korea University（韩国大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出将逆动力学学习作为辅助目标，直接监督VLA视觉编码器，通过预测当前与未来观测之间的动作来捕捉细粒度视觉差异，从而缓解状态混叠问题。
GUITestScape：面向探索性GUI测试的开放集评估
机构 * Beijing Jiaotong University（北京交通大学） ； Independent Researcher（独立研究者）
专题命中 GUI与屏幕智能体 ：MLLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出GUITestScape基准和GUIJudge评估器，通过覆盖交互与显示缺陷的508个预设缺陷及过程感知评估方法，解决现有GUI测试评估局限于预定义标注和交互缺陷的问题。
3DVLA：通过3D空间和实例理解增强视觉-语言-动作模型
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 提出3DVLA框架，通过多视角一致性3D特征编码、实例估计模块和掩码自监督3D编码，解决VLA模型缺乏3D场景理解的问题，在LIBERO-Plus和RoboTwin 2.0上显著提升操作性能。
E3AD：面向以人为中心的端到端自动驾驶的情感感知视觉-语言-动作模型
机构 * McGill University（麦吉尔大学） ； University of Macau（澳门大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出E3AD框架，通过连续VAD情感模型和双路径空间推理模块，将情感理解融入视觉-语言-动作模型，实现开放域端到端自动驾驶中的情感感知轨迹规划，在真实数据集上达到SOTA性能。
VLA-Trace: 通过表示与行为追踪诊断视觉-语言-动作模型
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Manchester（曼彻斯特大学） ； Beihang University（北航） ； Fudan University（复旦大学） ； University of New South Wales（新南威尔士大学）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.AI
AI总结 提出VLA-Trace诊断框架，通过表示演化、因果控制归因和行为表现分析，揭示VLA模型在多模态知识向具身控制转化中的机制，发现不同模型在微调适应、多模态路由和语义遵循上的差异与局限。
UI-KOBE：面向轻量级图引导GUI代理的知识导向行为探索
机构 * CUHK MMLab（香港大学多模态实验室） ； Huawei Research（华为研究） ； Shenzhen Loop Area Institute（深圳河套学院） ； CPII under InnoHK（创新香港下的CPII）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.AI
AI总结 提出UI-KOBE框架，通过自动构建应用知识图谱并引导轻量级GUI代理进行运行时决策，以提升其移动端GUI任务执行效果。
GaussianDream：用于机器人操作的前馈3D高斯世界模型
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)
AI总结 提出GaussianDream，一种前馈3D高斯世界模型插件，通过可学习查询编码当前帧3D空间结构和短期未来演化，在训练时用静态重建和未来预测头监督，推理时仅保留查询条件化动作生成，在多个机器人操作基准上达到最先进性能。
Comments 19 pages, 9 figures
通过屏障调控自适应闭式引导缓解视觉语言模型中的幻觉
机构 * Indian Institute of Technology Guwahati（印度理工学院果阿班加）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；LLaVA(abstract,abstract_cn)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出BRACS框架，通过监测视觉注意力并仅在接地退化时进行闭式修正，无需训练即可有效减少LVLM中的物体幻觉。
SCoOP: 多视觉-语言模型系统中用于不确定性量化的语义一致意见池化
机构 * University of West Florida（西佛罗里达大学） ； United States Military Academy（美国军事学院）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出SCoOP框架，通过不确定性加权的线性意见池化聚合多个视觉-语言模型的输出，实现无训练的不确定性量化，有效检测幻觉并支持高不确定性样本的弃权。
Comments Accepted to ICLR 2026 Workshop on Agentic AI in the Wild: From Hallucinations to Reliable Autonomy
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