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。
通过本体引导的多智能体推理实现文化对齐的大型语言模型
机构 * KAIST（韩国科学技术院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出OG-MAR框架，通过本体引导的多智能体推理方法，提高大型语言模型在文化对齐和鲁棒性方面的性能，并生成更透明的推理轨迹。
Comments Accepted by ICML 2026 Regular Track
IA-RAG：基于区间代数的动态知识检索时间推理
机构 * East China Normal University（华东师范大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Shanghai for Science and Technology（上海科技大学） ； Harbin Engineering University（哈尔滨工程大学）
专题命中 视觉推理 ：grounding(abstract)
AI总结 提出IA-RAG框架，通过区间代数建模时间约束，实现层次化时间检索与推理，在复杂时间问答任务上表现优异。
Comments 22 pages, 10 figures, 13 tables. Code available at https://github.com/xiaoAugenstern/LogicalRAG_TemporalQA
DAST: 面向O-RAN跨接口异常检测的VLM-LLM框架
机构 * i2CAT Foundation（i2CAT基金会） ； NEC Laboratories Europe（NEC欧洲实验室） ； ICREA
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；分类 cs.AI
AI总结 提出DAST，一种零样本多智能体框架，通过VLM→LLM→VLM三级流水线将多变量KPI流转换为视觉表示，结合领域知识进行跨接口异常检测，在真实O-RAN测试平台上优于现有TSAD方法。
Comments 7 pages, 5 figures. This work has been submitted to the IEEE for possible publication
通过大语言模型实现语义部分 grounding
机构 * Department of Computer Science, University of Cambridge（剑桥大学计算机科学系）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI
AI总结 本文提出SPG-LLM，利用大语言模型分析领域和问题文件，提前识别可能不相关的对象、动作和谓词，从而减少grounding任务的规模，提升grounding效率并在某些领域实现更优的计划成本。
BareBones: 视觉语言模型中零样本几何理解的基准测试
机构 * University of Central Florida（佛罗里达大学中央分校） ； University of Calgary（卡尔加里大学）
专题命中 视觉定位与Grounding ：LLaVA(abstract,abstract_cn)；vision-language model(abstract)；VLM(abstract_cn)；grounding(abstract)
AI总结 提出BareBones基准，通过去除RGB纹理仅保留轮廓，测试26个视觉语言模型在零样本几何形状理解上的表现，发现模型存在严重的纹理偏置悬崖。
Comments Accepted at CVPR (13th FGVC Workshop) 2026
消除基于大语言模型的推荐系统中的域外推荐：一种统一视角
机构 * College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)；分类 cs.AI
AI总结 本文提出RecLM框架，通过统一架构整合三种 grounding 方法，系统比较了基于嵌入检索、约束生成和离散项生成的推荐方法，有效消除域外推荐并提升了推荐准确性。
Comments 20 pages
基于分布式生成式AI模型的人机协作操作对话框架
机构 * Automation Technology and Mechanical Engineering, Tampere University（自动化技术与机械工程，塔尔库大学）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)
AI总结 提出一个分布式对话框架，集成语言和视觉语言模型与ROS 2执行栈，实现从自由形式用户命令生成结构化操作请求，并通过视觉基础将图像空间目标转换为机器人框架目标，实验验证了端到端任务可靠性和延迟。
Comments Accepted to the 35th IEEE International Conference on Robot and Human Interactive Communication (RO-MAN 2026). The final published version will appear under the title "A Distributed Conversational Framework for Human-Robot Collaborative Manipulation Using Local LLMs and VLMs"
Brick-Composer: 使用多模态大语言模型进行多样化积木组装
机构 * UIUC（伊利诺伊大学香槟分校） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Northwestern University（西北大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出Brick-Composer框架，通过人类设计火花、世界反馈和合成经验三种信号训练多模态大语言模型，解决积木组装中的积木选择和姿态估计问题，将步骤级组装成功率从低于1%提升至约15%。
Comments 10 Pages, 10 figures
利用街景图像和视觉大语言模型预测遗产价值以支持治理：风险、伦理与政策影响
机构 * RISE Research Institutes of Sweden AB（瑞典RISE研究机构） ； Malmö University（马尔默大学） ； Forschungszentrum Jülich GmbH（朱利奇研究中心） ； Uppsala University（乌普萨拉大学）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本研究利用街景图像和视觉大语言模型评估瑞典建筑遗产价值，以支持建筑翻新计划的制定，探讨了方法中的问题、潜在改进以及使用LLM数据的伦理风险。
EGTR-Review: 基于多智能体教师蒸馏的高效证据支撑科学同行评审生成
机构 * Department of Information Management, Peking University（北京大学信息管理系） ； PKU-WUHAN Institute for Artificial Intelligence, Peking University（北京大学武汉人工智能研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出EGTR-Review框架，通过多智能体教师蒸馏和证据加权目标，实现轻量级学生模型的高质量、可溯源同行评审生成。
T-FunS3D：任务驱动的分层开放词汇3D功能分割
机构 * P4MARS Lab at the Faculty of Aerospace Engineering, Delft University of Technology（代尔夫特理工大学航空航天工程学院P4MARS实验室）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 提出T-FunS3D方法，通过构建开放词汇场景图并利用视觉语言模型，实现任务驱动的分层3D功能分割，在保持性能的同时提升速度和降低内存消耗。
揭示未知：基于场景图的开放词汇目标检测
机构 * Faculty of Electrical Engineering and Computer Science, Ningbo University（宁波大学电气工程与计算机科学学院） ； Faculty of Computing, Georg-August-Universität Göttingen（哥廷根大学计算机学院） ； Merchants’ Guild Economics and Cultural Intelligent Computing Laboratory, Ningbo University（宁波大学商帮经济与文化智能计算实验室） ； School of Software Technology, Zhejiang University（浙江大学软件学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 提出场景引导的关系建模检测框架，利用场景图捕获候选区域与上下文对象之间的结构化语义和空间关系，并通过关系注意力模块和场景文本对齐分支增强开放词汇目标检测性能。
QCFuse: 通过压缩视图的查询感知缓存融合实现高效RAG服务
机构 * Zhejiang University（浙江大学） ； East China Normal University（华东师范大学） ； Ant Group（蚂蚁集团） ； The Hong Kong Polytechnic University（香港理工大学） ； Zhejiang Normal University（浙江师范大学） ； Tongji University（同济大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出QCFuse，一种基于压缩视图的查询感知选择器，通过块锚查询探测和关键层分析实现高效RAG缓存融合，在保持全预填充质量的同时平均加速1.7倍。
Agent编排的自适应RAG：结构化与多跳检索的比较研究
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出Agent编排的自适应RAG框架，通过动态查询分解、迭代检索和自反思评估，在结构化领域（DevOps）和多跳推理基准（MuSiQue）上对比发现，查询分解在结构化领域提升性能但降低多跳排名精度，反思机制提高引用准确性但增加延迟，表明Agent增强需根据查询和领域特性选择性应用。
Dream.exe: 视频生成模型能否梦想出可执行的机器人操作？
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； University of Oxford（牛津大学） ； Tencent（腾讯）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出Dream.exe评估框架，通过视频到执行流水线测试视频生成模型产生的运动能否转化为可执行的机器人操作，发现视觉质量不能预测可执行性。
DuoGesture: 神经启发与生物力学约束的双流共语手势生成
机构 * Max Planck Institute for Psycholinguistics（马克斯·普朗克心理语言学研究所） ； Radboud University（拉德堡德大学） ； Utrecht University（乌得勒支大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出DuoGesture，一种神经启发和生物力学约束的双流方法，通过语义变分信息瓶颈协调语义流和节拍流，实现语义表达与生物力学合理的节律运动。
全球跨模态地理定位：一个百万级数据集和一个物理一致性学习框架
机构 * School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感与信息工程学院） ； First Surveying and Mapping Institute of Hunan Province（湖南省第一测绘院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出CORE数据集和PLANET框架，用于解决全球跨模态地理定位问题，通过大规模数据和物理一致性学习提升定位的鲁棒性和全球适用性。
EDIT：基于证据诊断的干预训练以实现遵循规则的LLM评分
机构 * King’s College London（伦敦国王学院） ； University of Cambridge（剑桥大学） ； AQA ； The Alan Turing Institute（艾伦·图灵研究所）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出EDIT框架，通过内部模型信号定位推理错误步骤并修正，结合信念引导的奖励塑造，提升LLM评分对评分标准的忠实度。
从执行中引导语义层用于文本到SQL
机构 * Seoul National University（首尔国立大学）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出GATE方法，通过执行反馈引导缺失的语义层，将执行结果作为可复用记忆，提升文本到SQL的准确性。
CLFEC：一种新的任务，用于段落级中文专业写作中的统一语言和事实纠错
机构 * Huazhong University of Science and Technology（华中科技大学） ； WPS AI, Kingsoft Office（WPS AI，Kingsoft Office）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出CLFEC任务，旨在解决段落级中文专业写作中语言和事实错误的联合纠错问题，构建了多领域数据集，并系统研究了基于LLM的纠错方法，揭示了实际挑战并展示了统一纠错的优势。
HomeWorld：一个统一的从平面图到家具的框架，用于生成可控、密集交互的全屋场景
机构 * Ace Robotics（Ace机器人公司） ； CUHK MMLab（香港大学多模态实验室） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 文档图表理解 ：VLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 提出一个统一的分层框架，通过大规模真实平面图数据集训练大语言模型生成全屋平面图，结合图像生成模型和VLM优化器生成家具及小物体布局，并附加物理属性和纹理光照，实现可控、高真实感的全屋场景生成。
Function2Scene: 基于功能规范的3D室内场景布局
机构 * Simon Fraser University（西蒙弗雷泽大学） ； Brown University（布朗大学）
专题命中 文档图表理解 ：VLM(summary_cn,abstract)；分类 cs.CV
AI总结 提出Function2Scene框架，通过解析自然语言设计简报中的用户角色和活动，从17个功能约束准则生成布局，并利用LLM和VLM的迭代检查-修复循环优化，在30个专业案例中94.3%的成对比较优于基线方法。
Comments project page: https://function2scene.github.io/
RAPTOR+: 一种基于视觉的视觉-语言框架，用于提高自动化癌症转诊处理中的临床信任度和可审计性
机构 * Birmingham City University（伯明翰城市大学） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； University Hospitals Birmingham NHS Foundation Trust（伯明翰大学医院 NHS 基础信托） ； NHS England（英格兰国家卫生服务体系）
专题命中 文档图表理解 ：vision-language model(abstract)；VLM(abstract_cn)；grounding(abstract)；分类 cs.CV
AI总结 提出RAPTOR+多模态框架，通过微调视觉-语言模型实现端到端转诊理解，在结直肠癌转诊表单上显著提升提取准确性和证据定位能力。
Comments 12 pages 4 figures
ChartAttack: 测试大型语言模型在图表生成中对恶意提示的脆弱性
机构 * INSAIT, Sofia University "St. Kliment Ohridski"（INSAIT索菲亚大学"圣克莱门特·欧赫里迪斯基"） ； Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE（无处不在知识处理实验室（UKP实验室）、计算机科学系、图腾达姆斯塔特大学和应用网络安全国家研究中心ATHENE） ； Arizona State University（亚利桑那州立大学）
专题命中 文档图表理解 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)
AI总结 本文提出ChartAttack框架，用于评估多模态大语言模型在生成误导性图表方面的能力，通过注入误导性元素来诱导错误解释，并引入AttackViz数据集来评估和改进模型的鲁棒性。
SEDualVLN：一种空间增强的双系统用于视觉语言导航
机构 * Hong Kong Polytechnic University（香港理工大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；MLLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)
AI总结 本文提出SEDualVLN，一种空间增强的双系统框架，用于解决视觉语言导航中的长距离导航和动态推理问题，通过两个系统协同工作实现高效导航。
AffordanceVLA：一种通过可供性感知理解赋能动作生成的视觉-语言-动作模型
机构 * Peking University（北京大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Chinese University of Hong Kong（香港中文大学） ； Knowin AI
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AffordanceVLA框架，通过引入结构化可供性预测作为任务导向的中间表示，解决VLA模型中语义空间与具身控制策略的结构不匹配问题，实现精确的感知-动作映射。
Comments Preprint. Code and project page are available. Code: https://github.com/Skywalker-yqz/AffordanceVLA Project page: https://skywalker-yqz.github.io/AffordanceVLA/
DragOn：基于拖拽的GUI交互基准与数据集
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.AI
AI总结 针对GUI代理在拖拽操作（如拖放、滑动、高亮）上的性能不足，提出DragOn基准和训练数据集，涵盖文本高亮、单元格选择、元素缩放和滑块操作四个领域，包含28.6万张训练截图和350万个训练任务，评估了多个模型并显示数据集能提升下游任务性能。
Journal ref Published as a workshop paper at SCALE - 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
OpenWebRL: 揭秘视觉网络代理的在线多轮强化学习
机构 * UIUC（伊利诺伊大学香槟分校） ； Microsoft（微软）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出OpenWebRL框架，通过在线多轮强化学习在真实网站上训练视觉网络代理，以4B参数模型在基准测试中达到开源最优，并与闭源系统竞争。
Comments 36 pages, 11 figures
PerceptUI: 用于UI/UX评估的与人类对齐的合成用户的LLM智能体
机构 * Woven by Toyota（丰田 woven）
专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 提出PerceptUI框架，通过对比反思微调和反思式提示进化，使多模态大语言模型能够模拟特定用户对界面问题的回答，实现与人类水平相当的UI/UX评估。
多模态用户界面/用户体验设计理解的基准测试：MLLMs能否捕捉界面如何引导用户行为？
机构 * Yonsei University（延世大学） ； Seoul National University（首尔国立大学） ； NC AI
专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；分类 cs.LG
AI总结 本文提出WiserUI-Bench基准测试，用于评估多模态UI/UX设计对用户行为的影响，通过300对真实世界UI图像对和专家解读，发现MLLMs在理解UI/UX设计行为影响方面存在局限。
Comments ACL 2026 Main. Our code and dataset: https://github.com/jeochris/wiserui-bench
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