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。
通过视觉语言模型从自我中心视觉解码行人过街意图
机构 * Technical University of Denmark（丹麦技术大学） ； University of Helsinki（赫尔辛基大学） ； Delft University of Technology（代尔夫特理工大学）
专题命中 视觉问答 ：vision language model(title,abstract)；VLM(summary_cn,abstract_cn)；visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 利用视觉语言模型（VLM）将行人过街意图预测转化为视觉问答任务，通过参数高效微调并结合自我运动、车辆运动和眼动等上下文线索，在自我中心视频上实现了14.5%的准确率提升，创下新纪录。
ChinaHeritaQA：面向中国世界遗产地的文化基础视觉问答数据集
机构 * LMU Munich（慕尼黑大学） ； FAU Erlangen-Nuremberg（埃尔朗根-纽伦堡大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Tübingen & Tübingen AI Center（图宾根大学与图宾根人工智能中心） ； Sun Yat-sen University（中山大学） ； University of Copenhagen（哥本哈根大学） ； University of Maryland, College Park（马里兰大学帕克分校）
专题命中 视觉问答 ：visual question answering(title)；vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出ChinaHeritaQA多模态基准数据集，包含2279张图像和14133个双语多项选择题，覆盖七个认知维度，评估视觉语言模型在中国世界遗产上的文化推理能力。
当视频误读：面向探索性操作痕迹问答的阅读启发式闭环蒸馏
机构 * Tsinghua University（清华大学） ； DISCOVER Robotics
专题命中 视觉问答 ：VLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 针对探索性操作中机器人误读视频痕迹的问题，提出闭环痕迹蒸馏方法，通过任务编码代理提取单行自然语言启发式提示，使冻结VLM准确预测最小成功动作链，在模拟和真实机器人任务上提升准确率0.38-0.47。
Comments 16 pages, 4 figures, 4 tables
答案从何而来？面向自动驾驶的多视角MLLMs中视角级视觉证据识别基准
机构 * University of Waterloo（滑铁卢大学）
专题命中 视觉问答 ：visual reasoning(abstract)；visual question answering(abstract)；grounding(abstract)；multimodal large language model(abstract)
AI总结 针对多视角自动驾驶场景，提出一个基准测试，评估多模态大模型在视觉问答中识别支持性相机视角的能力，包含122个冲突中心问题对，并区分视角选择与答案正确性。
PathoSage：通过经验感知的代理工作流实现病理学多源证据裁决
机构 * College of Computer Science, Sichuan University（四川大学计算机科学学院） ； Department of Pathology and Institute of Clinical Pathology, West China Hospital, Sichuan University（四川大学华西医院病理科/临床病理研究所） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系） ； School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能工程学院）
专题命中 视觉问答 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 提出PathoSage框架，通过结构化证据审议和Beta-Bernoulli经验系统，独立评估工具证据并解决冲突，减少幻觉和分类器分歧，提升病理学推理鲁棒性。
ChronoPhyBench：多模态大语言模型真正理解世界还是仅仅利用语言先验？
机构 * Peking University, Shenzhen Graduate School（北京大学深圳研究生院） ； Peng Cheng Laboratory（鹏城实验室） ； Rabbitpre Intelligence ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学）
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出ChronoPhyBench基准，通过视频上下文和文本描述强制模型进行物理状态推理，揭示当前开源模型物理推理能力仍处初级阶段。
Robust-U1: MLLMs能否自我恢复受损视觉内容以实现鲁棒理解？
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出Robust-U1框架，通过监督微调、强化学习和多模态推理，使多模态大模型具备显式视觉自恢复能力，在真实和对抗性损坏下达到最先进鲁棒性。
Comments Accepted by ICML 2026
推理视觉语言模型对语义视觉干扰具有鲁棒性吗？
机构 * University of Manchester（曼彻斯特大学） ； Marex ； Imperial College London（帝国理工学院）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；visual reasoning(abstract)；分类 cs.CV
AI总结 针对推理VLM在真实场景中易受语义视觉干扰的问题，提出Distract-Bench基准，发现推理VLM对语义干扰的鲁棒性低于感知退化，且干扰常被纳入推理过程导致错误答案。
Visual Para-Thinker++：用于视觉推理的单策略多智能体框架
机构 * Zhejiang University（浙江大学） ； Hunan University（湖南大学） ； Tianjin University（天津大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shanghai Jiao Tong University（上海交通大学） ； Jilin University（吉林大学）
专题命中 视觉推理 ：MLLM(summary_cn,abstract)；visual reasoning(title,abstract)；分类 cs.CV
AI总结 提出Visual Para-Thinker++框架，通过共享MLLM策略实例化为多个角色智能体并行推理，结合多智能体能力注入和角色解耦优化，有效缓解视觉推理中的早期感知承诺和幻觉问题。
最后一个可见像素：探究视觉-语言模型中的精细尺度感知
机构 * University of Luxembourg（卢森堡大学） ； Foyer S.A. ； Université Paris-Saclay（巴黎-萨克雷大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 提出FineSightBench基准，通过4-48像素尺度分离感知与推理任务，发现视觉-语言模型感知在12像素饱和，推理在更大尺度仍受限，揭示精细视觉推理的根本缺陷。
Comments 25 pages
多模态大语言模型作为视频研究中的合成参与者：一项评估
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本研究评估多模态大语言模型在视频感知任务中模拟人类主观评分的表现，发现模型存在偏差且与人类一致性有限。
Comments Accepted to SocialLLM @ ICWSM 2026
DyCo-RL: 用于视觉推理的动态跨模态协调
机构 * University of Trento（特伦托大学） ； BAAI（北京智源人工智能研究院） ； Singapore Management University（新加坡管理大学） ； IQuest Research
专题命中 视觉推理 ：visual reasoning(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出DyCo-RL，通过Fisher-Rao测地距离量化模态内注意力转移，实现动态跨模态协调，并利用对齐引导的优势重加权优化策略，提升多模态大模型在视觉推理中的表现。
VisualFLIP: 在多模态推理中，预测是否依赖于任务关键的视觉证据？
机构 * Imperial College London（伦敦帝国理工学院）
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；multimodal large language model(abstract)；MLLM(abstract_cn)
AI总结 提出VisualFLIP基准，通过成对图像扰动测试多模态大模型是否真正依赖关键视觉证据，发现正确预测与证据依赖存在分离。
稳定基于策略的蒸馏用于多模态大语言模型推理的全局归一化
机构 * OPPO AI Center（OPPO AI中心）
专题命中 视觉推理 ：MLLM(title)；分类 cs.CV、cs.LG
AI总结 针对策略蒸馏中异常状态导致梯度不稳定的问题，提出全局归一化蒸馏策略优化（GNDPO），通过将KL分数转化为批次级相对优势来稳定优化，提升多模态推理任务的训练鲁棒性和性能。
TVI-CoT: 面向多模态理解的文本-视觉交错思维链推理
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视觉推理 ：grounding(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 提出TVI-CoT框架，通过可学习控制令牌实现文本推理与视觉特征访问的动态交错，解决多模态LLM在推理过程中无法访问视觉特征的问题，在多个基准上取得最优结果。
Comments ICML2026
Struct-Searcher：代理式结构化思维推进多模态深度信息检索
机构 * CUHK（香港中文大学） ； LIGHTSPEED ； PKU（北京大学） ； Tongji University（同济大学） ； THU（清华大学） ； HKUST（香港科技大学）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出基于信念修正理论的结构化代理工作流Struct-Searcher，通过维护多模态结构图实现冲突感知的深度信息检索，在多个基准上平均相对准确率提升17.2%。
面向LEGO空间物理推理的样本高效后训练
机构 * HKUST(GZ)（香港科技大学（广州）） ； CUHK（香港中文大学） ； ZODA
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 针对LLM生成LEGO组装时出现的物理有效但几何语义错位问题，提出基于模型的数据选择方法和样本高效强化学习PVPO，结合体素空间几何奖励，提升结构、语义对齐和物理有效性。
Comments Technical Report V1, 15 pages, 6 figures, 3 tables
光学推理：重新思考图像作为超越文本的表达性推理媒介
机构 * The Hong Kong Polytechnic University（香港理工大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 提出光学推理概念，将图像作为独立推理媒介，通过排版和图形两种变体实现，在语言和多模态任务中匹配或超越文本推理，同时减少推理令牌。
CRANE：面向推理多模态大语言模型的知识编辑
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； New Laboratory of Pattern Recognition (NLPR), CASIA（中国科学院自动化研究所模式识别国家重点实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Shandong University（山东大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 针对推理多模态大语言模型在知识编辑中出现的结构崩溃、认知失调和浅层内化三种失败模式，提出检索增强框架CRANE，无需逐编辑参数修改，通过模态感知双库检索系统和两阶段训练策略实现高成功率。
Comments 10 pages, 5 figures
无图像思考：通过在线自我蒸馏内化视觉操作
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） ； Central South University（中南大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Huawei Technologies（华为技术有限公司）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 提出Imagine-OPD框架，通过在线自我蒸馏将“用图像思考”的视觉推理能力内化为“用想象思考”，在不调用外部工具的情况下生成内部视觉线索，在保持性能的同时显著降低推理开销。
PhysGraph：用于感知与推理的物理感知3D场景图
机构 * Duke University（杜克大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 提出PhysGraph框架，结合符号推理与结构化3D几何，建模杂乱场景中的运动学和物理属性，在语义分割、多物体质量估计和关节预测上达到最优。
少看多思：面向高效多模态大语言模型的块级注意力跳过
机构 * Xiamen University（厦门大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 针对多模态大语言模型视觉注意力饱和问题，提出训练无关的Visual-Skip方法，通过选择性跳过冗余的视觉自注意力模块实现块级稀疏性，并利用轻量级校准动态选择最优稀疏路径，在保持性能的同时显著降低计算成本。
通过最差维度优化改进多模态推理
机构 * Beijing Institute of Technology（北京理工大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 提出最差维度优化方法，通过识别并优先优化推理路径中最差的约束维度，提升多模态推理的整体有效性。
复杂视觉查询的符号与抽象推理
机构 * Zhejiang University（浙江大学） ； Nanjing University（南京大学） ； Ant Group（蚂蚁集团）
专题命中 视觉推理 ：visual reasoning(abstract)
AI总结 提出复杂视觉查询（CVQ）概念，通过多模态知识图谱合成数据集，并设计两阶段训练框架，提升多模态大语言模型的符号与抽象推理能力。
Comments Work in progress
视觉语言模型助力视觉数据中的隐私信息去标识化
机构 * Arizona State University（亚利桑那州立大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； North Carolina State University（北卡罗来纳州立大学）
专题命中 视觉定位与Grounding ：vision language model(title)；vision-language model(abstract)；VLM(abstract_cn)；visual language model(abstract)
AI总结 提出VisShield框架，通过专用指令微调数据集OPTIC和训练策略，使视觉语言模型精准定位并掩码敏感文本，有效保护医学图像等视觉数据中的隐私信息。
Sci-Rho：面向STEM问题的多语言视觉基础符号基准
机构 * Independent Researcher（独立研究员） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Binus University（比努斯大学） ； Bandung Institute of Technology（万隆理工学院）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出Sci-Rho，一个多语言、视觉基础的STEM问题动态基准，包含4242个模板和42420个实例，评估17个VLM发现最差精度与平均精度存在差距，且小模型跨语言性能下降。
Comments 22 pages
你能相信你所见的吗？人类与AI对合成法律证据的检测
机构 * Faculty of Law, McGill University（麦吉尔大学法学院）
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究人类和前沿多模态大模型在民事纠纷场景中区分真实照片与AI生成图像的能力，发现两者均不可靠，提出结合人工审查、MLLM筛查和来源认证的解决方案。
再思考：通过候选发现与比较推理进行分割
机构 * The Chinese University of Hong Kong（香港中文大学） ； Nanjing University（南京大学）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出两阶段框架Rea2Seg，先基于注意力图生成候选掩码，再用多模态大语言模型推理评分，将分割转化为候选发现与判别选择，并引入新基准ReasonSeg-SGDR全面评估感知、定位与推理能力。
Comments Project page: https://snowball521.github.io/Rea2Seg-Project/
从USD场景到知识图谱：基于LLM的零样本本体接地
机构 * Technical University of Berlin（柏林工业大学） ； Fraunhofer FOKUS（弗劳恩霍夫开放通信系统研究所）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV、cs.AI
AI总结 研究利用大语言模型（LLM）零样本地将3D场景对象自动映射到本体类别，无需训练，在厨房场景中达到90-96%准确率，并揭示语义线索是关键。
Comments Accepted to the IEEE ICRA 2026 International Joint Workshop on Ontologies, Semantic Maps and Autonomous Robotics Standardization (J-WOSMARS 2026), Vienna, 2026
VoLo: 面向开放词汇长时程操控的物理编排器
机构 * NVIDIA（英伟达） ； University of Michigan（密歇根大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)
AI总结 提出VoLoAgent，利用VLM将VLA/WAM作为可中断工具进行物理编排，实现开放词汇长时程操控，并在新基准RoboVoLo上显著优于现有系统。
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