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。
诊断视觉语言模型中的视觉忽视
机构 * Peking University（北京大学）
专题命中 视觉问答 ：vision-language model(title,abstract)；VLM(abstract_cn)；grounding(abstract)；分类 cs.CV、cs.LG
AI总结 研究视觉语言模型依赖语言先验的内部机制，通过层替换和探针分析揭示多阶段瓶颈，并引入渐进视觉退化指标发现基准测试可能奖励视觉忽视。
基于视觉基础模型的注意力一致纵向医学视觉问答
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Yale Biomedical Imaging Institute（耶鲁大学生物医学成像研究所）
专题命中 视觉问答 ：visual question answering(title,abstract)；分类 cs.AI
AI总结 提出一种注意力引导的编码器-解码器框架，通过轻量级配准和自适应掩码生成，结合辅助损失函数，实现胸部X光片的纵向医学视觉问答，在Medical-Diff-VQA基准上取得优异性能。
Comments Accepted to CVPR 2026 Workshop PHAROS-AIF-MIH
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 6448-6458
通过结构化内联引文生成实现显式证据基础
机构 * University of the Basque Country (UPV/EHU)（巴斯克大学） ； IT University of Copenhagen（哥本哈根IT大学）
专题命中 视觉问答 ：grounding(title)
AI总结 提出FullCite框架，通过提示生成、约束解码和后处理跨度对齐三种策略生成结构化内联引文，在三个QA基准上评估引文质量和忠实性，发现LLMs虽能识别相关文档但难以精确定位支持性证据跨度。
文本监督增强视觉-语言模型中的地理空间表示
机构 * University of São Paulo（圣保罗大学） ； National University of Singapore（新加坡国立大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；LLaVA(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究视觉、视觉-语言及多模态模型的地理空间表示能力，发现文本监督能有效提升空间编码，推动地理空间AI发展。
Comments Accepted at ICML 2026
Watch, Remember, Reason: 基于多模态大语言模型的人类视角视频理解
机构 * School of Intelligence Science and Technology, Peking University（北京理工大学智能科学与技术学院） ； Wuhan University（武汉大学） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； CASIA（中国科学院自动化研究所） ； University of Tokyo（东京大学） ； University of Liverpool（利物浦大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； UC Merced（加州大学默塞德分校）
专题命中 视觉推理 ：MLLM(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出人类视角下视频理解的三个功能能力（观看、记忆、推理），构建统一框架分析视频MLLM的感知、记忆、推理和预测，并总结挑战、方法、应用及未来方向。
看见而不暴露：面向开放世界、上下文饥渴型MLLM的自适应隐私控制
机构 * City University of Hong Kong（香港城市大学） ； Hon Hai Research Institute（鸿海研究学院） ； Lingnan University（岭南大学）
专题命中 视觉推理 ：MLLM(title_cn,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对多模态大语言模型在开放世界中面临不可预测敏感信息泄露的隐私挑战，提出无训练方法APD，将隐私元素漂移至语义等价替代物并锚定上下文线索，结合新基准AdaptShield实现隐私保护与上下文保留的平衡提升。
WorldBench: 一个具有挑战性且视觉多样的多模态推理基准
机构 * Princeton University（普林斯顿大学） ； NYU（纽约大学） ； University of Waterloo（滑铁卢大学） ； Meta, FAIR（Meta和FAIR）
专题命中 视觉推理 ：MLLM(summary_cn,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出WorldBench，通过构建多领域视觉概念分类法并收集多样化图像，设计前沿MLLM难以回答的问题，以评估多模态大语言模型的视觉理解能力，揭示其弱点。
Comments Project page: https://worldbench-vl.github.io/
必要时做梦：通过自适应多模态推理推进世界行动模型
机构 * Tsinghua University（清华大学） ； Manifold AI
专题命中 视觉推理 ：visual reasoning(abstract)
AI总结 提出AdaWAM，通过轻量动态路由器自适应触发文本或视觉推理，提升长时复杂任务中的推理效率和性能。
Stream3D-VLM：基于增量几何先验的在线3D空间理解
机构 * Zhejiang University（浙江大学） ； Tencent Hunyuan（腾讯文汇） ； HKUST（香港科技大学） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出在线3D视觉语言模型Stream3D-VLM，通过自回归流控制、轻量视觉-空间特征融合模块和几何自适应体素压缩，实现从流式视频中实时理解3D空间，并构建超百万在线3D问答数据集，在多项任务上超越现有模型。
Comments Project Page: https://stream3d-vlm.github.io/
MMBU: 大规模多模态生物医学理解基准，用于探测视觉语言模型的感知能力
机构 * Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Instituto Tecnológico de Monterrey（蒙特雷技术学院） ； Monash University（墨尔本大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shandong University（山东大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract_cn)；vision-language model(title)；分类 cs.CV、cs.AI
AI总结 提出MMBU基准，涵盖35个子模态，通过分类、定位和检测任务系统评估VLM在生物医学领域的视觉感知和泛化能力，发现高准确率可能掩盖感知缺陷。
MedSIGHT：迈向医学大型视觉语言模型中的基础视觉理解
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出MedSIGHT框架，通过区域感知器、医学区域码本和渐进训练策略，统一医学视觉语言模型的语义理解和像素级分割，在72K数据上达到多模态理解与分割的SOTA。
Comments Accepted at ICML 2026
瞬态条件下磁活性接地电极的动态建模
专题命中 视觉定位与Grounding ：grounding(title,abstract)
AI总结 针对瞬态条件下接地系统的非线性行为，提出一种考虑电磁耦合、电热效应和电离机制的磁活性接地电极非线性动态模型，并在MATLAB/Simulink中验证其动态阻抗特性。
MADRAG: 基于检索增强生成的多智能体辩论用于免训练分析性论文评分
机构 * University of California, Irvine（加州大学尔湾分校）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)
AI总结 提出MADRAG框架，结合多智能体辩论与检索增强，通过倡导者、批评者和法官的交互以及检索示例校准，实现无需训练的论文评分，性能接近监督系统。
Comments 21 pages, 7 figures, 14 tables
AnchorWorld: 基于视图演化定制的具身自我中心世界模拟
机构 * Tsinghua University（清华大学） ； HUST（华中科技大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； HKUST（香港科技大学） ； WHU（武汉大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出AnchorWorld框架，利用3D人体运动和外源视角辅助训练增强交互完整性，并通过锚点视图和文本描述实现自我演化世界的灵活定制，显著优于现有方法。
TOPSIS-RAD：根据期望排序
机构 * Universidade Federal Fluminense（联邦弗里蒙特大学） ； Leonardo Sistemas Consultoria LTDA（莱昂纳多咨询公司）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出TOPSIS-RAD方法，通过引入决策者定义的否决绩效水平和期望绩效水平，解决传统TOPSIS排序与决策者需求不一致、对异常值敏感及排名反转问题。
Comments 21 pages, 15 Tables and 6 figures. The numerical computation of the data that appear in the Toy Examples was Supported by the Visual TOPSIS RAD that is available at https://topsis-ranking.vercel.app/. The data of the Toy examples are also available in this URL and can be loaded in the app as the template "Article"
多任务模型融合的闭式谱正则化
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Sun Yat-sen University（中山大学） ； Nanyang Technological University（南洋理工大学）
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV、cs.LG
AI总结 针对多任务模型融合中的干扰最小化问题，发现迭代求解器实际充当隐式谱正则化器，据此提出基于谱滤波的闭式方法SWUDI及其自适应变体SWUDI-A，显著提升效率并匹配或超越现有方法。
像飞行员一样思考：细粒度长时程无人机导航
机构 * Colab ； Beihang University（北航） ； Meituan（美团） ； National University of Singapore（新加坡国立大学）
专题命中 GUI与屏幕智能体 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出FLIGHT基准和FLIGHT VLA异步架构，通过低频飞行员推理VLM与高频扩散动作模型解耦，实现无人机长时程语义指令下的平滑连续飞行控制。
AxisGuide: 在RGB观测中接地机器人动作坐标系以实现鲁棒的视觉运动操控
机构 * Korea University（韩国大学） ； University of Michigan（密歇根大学） ； KT R&D Center（KT研发中心） ； Kakao Mobility（Kakao移动）
专题命中 GUI与屏幕智能体 ：grounding(title)；分类 cs.AI
AI总结 针对视觉运动策略在分布偏移下动作执行失败的问题，提出AxisGuide方法，通过渲染机器人基座坐标系轴并叠加提示通道，增强动作坐标理解，显著提升泛化性能。
Comments Accepted to Robotics: Science and Systems (RSS) 2026
SS-TPT：面向对抗鲁棒视觉语言模型的稳定性和适用性引导的测试时提示微调
机构 * Dankook University, Yongin, South Korea（首尔大学，韩国永兴） ； University of Seoul, Seoul, South Korea（首尔大学，韩国首尔）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 提出SS-TPT方法，通过稳定性与适用性分数评估增强视图质量，引导测试时提示微调，在保持高吞吐量的同时显著提升对抗鲁棒性。
Comments Accepted in ICML2026
当CLIP看得更多，它反击得更猛烈：多视图引导的自适应对抗攻击用于测试时对抗鲁棒性
机构 * Dankook University（Dankook 大学） ； University of Seoul（首尔大学） ； Yongin, South Korea（韩国 Yongin） ； Seoul, South Korea（首尔, 韩国）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出多视图引导的自适应对抗攻击（MAC），通过构建输入图像的增强视图、执行对抗攻击精炼嵌入、自适应调整攻击强度并聚合视图，显著提升CLIP在测试时的对抗鲁棒性。
Comments Accepted in CVPR2026
HybridCodec: 快速双流、语义增强的神经音频编解码器
机构 * Indian Institute of Technology, Madras（印度理工学院马德拉斯分校）
专题命中 幻觉与鲁棒性 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 提出HybridCodec，一种结合语义蒸馏与双流架构的统一神经音频编解码器，实现强解耦、跨语言鲁棒性及3倍速度提升。
Comments 5 pages, 5 tables, 1 figure, Accepted at Interspeech 2026
通过流形轨迹动力学防御大语言模型的越狱攻击
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)
AI总结 提出流形轨迹动力学（MTK）方法，通过分析提示词在模型层间的邻域结构演化来检测越狱攻击，在伪恶意提示和自适应攻击下均表现鲁棒。
Comments Accepted to USENIX Security '26 Cycle 2. Code is available at https://github.com/Rookie143/mtk
MotionEnhancer: 利用视频扩散模型增强运动感知的视觉-语言模型
机构 * School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； Beijing Digital Native Digital City Research Center（北京数字原生数字城研究中心） ； School of Computer Science, Peking University（北京大学计算机学院） ； School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出MotionEnhancer，通过从视频扩散模型中提取运动先验并利用注意力对齐增强视觉-语言模型的运动理解能力，无需额外参数或架构修改，在运动级视频理解基准上取得一致提升。
Comments Accepted by CVPR 2026
VeriDrive: 可验证的反事实监督用于成本高效的视觉-语言规划
机构 * Department of Computer Science, Durham University（杜伦大学计算机科学系）
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 提出VeriDrive框架，通过结构化感知-评估-修正链生成可验证的反事实监督，降低视觉-语言驾驶规划的数据构建成本，并在nuScenes数据集上验证其有效性。
TEVI: 基于稀疏自编码器的文本条件视觉表示编辑以改进视觉-语言对齐
机构 * Max Planck Institute for Informatics, Saarland Informatics Campus, Saarbrücken, Germany（马克斯·普朗克研究所信息学院，萨尔兰信息学院，德国萨尔布吕肯） ； Department of Language Science and Technology, Saarland University, Saarbrücken, Germany（语言科学与技术系，萨尔兰大学，德国萨尔布吕肯）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出TEVI框架，利用稀疏自编码器解耦图像嵌入，并通过文本条件掩码模块选择性重构嵌入，以改善CLIP等视觉-语言模型的图像-文本对齐，在多个检索基准上取得提升。
Comments 20 pages, 13 figures, 14 tables
超越事后解释：通过概率中介迈向玻璃箱AI
机构 * Manuele Leonelli（曼努埃尔·莱奥内利）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
AI总结 针对大语言模型在关键领域的不透明性，提出玻璃箱框架，利用贝叶斯网络作为事前中介层，实现可审计推理、不确定性量化和可争议输出。
教方法而非答案：用于多模态策略优化的特权辅导蒸馏
机构 * Tianjin University（天津大学） ； Beijing Institute of Technology（北京理工大学） ； Singapore Management University（新加坡国立大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Xiaomi Inc（小米公司）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.AI
AI总结 提出PTD-PO框架，通过构建特权提示提供密集的令牌级监督，避免暴露答案，并采用Top-K JS散度稳定蒸馏，显著提升多模态推理性能。
M$^3$Exam: 面向真实用户-智能体交互的多模态记忆基准
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Beijing University of Chemical Technology（北京化工大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Beijing Institute of Technology (Zhuhai)（北京理工大学（珠海）） ； Tencent Hy（腾讯（深圳）） ； Peng Cheng Laboratory（鹏城实验室）
专题命中 VLM训练与架构 ：grounding(abstract)
AI总结 提出M$^3$Exam基准，用于评估多模态大语言模型在真实用户-智能体交互中的跨模态推理和隐式信息推断能力，并设计M$^3$Proctor方法通过按需处理视觉源提升准确率13%，同时降低索引构建时间和检索token超70%。
LLM引导的医疗决策流程进化
机构 * Sber AI Lab（Sber AI实验室） ； AIRI
专题命中 VLM训练与架构 ：VLM(abstract_cn)
AI总结 提出LLM引导的MAP-Elites进化方法，无需微调即可优化医疗决策流程，在分诊、咨询和图像分类任务中超越手工设计基线。
当恢复至关重要时：MLLM编辑中替代隐私的盲点
机构 * City University of Hong Kong（香港城市大学） ； Hon Hai Research Institute（鸿海研究院） ； Lingnan University（岭南大学）
专题命中 其他VLM ：MLLM(title,title_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对多模态大模型编辑中的隐私风险，提出首个面向恢复的替代隐私保护编辑基准SPPE，涵盖36个细粒度隐私类别和65个编辑指令，并设计可编辑性评估与替代到源编辑恢复两个任务及对应方法。
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