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。
MSUE：多模态足球理解专家
机构 * South China University of Technology（华南理工大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Peking University（北京大学） ； University of Electronic Science and Technology of China（电子科技大学）
专题命中 视觉问答 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出MSUE多专家问答架构，结合VLM数据合成管道与LLM动态调度文本、图像、视频专家，在SoccerNet VQA挑战中达到0.95准确率，获第三名。
Comments 6 pages, 1 figures
4DP-QA：面向视觉语言模型中4D感知的可扩展问答
机构 * NVIDIA（英伟达） ； Yale University（耶鲁大学） ； KAIST AI（韩国科学技术院人工智能学院）
专题命中 视觉问答 ：vision language model(title,abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 针对视觉语言模型难以理解动态场景的问题，提出一种关注运动场景理解的问答生成流水线，通过真运动追踪解耦物体与相机运动，生成大规模数据集4DP-QA和基准4DP-QA-Bench，训练现有模型在外部基准上取得性能提升。
Comments Project page: https://research.nvidia.com/labs/lpr/4dpqa
ProcessThinker: 通过基于展开的过程奖励增强多模态大语言模型推理
机构 * LMU Munich（慕尼黑大学） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； Mina AI ； Konrad Zuse School of Excellence in Reliable AI (relAI)（康拉德·楚泽可靠人工智能卓越学校（relAI））
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.AI、cs.LG
AI总结 提出ProcessThinker，一种无需显式过程奖励模型的后训练方法，通过步骤标记格式和基于展开的过程奖励，为多步推理提供密集的步骤级奖励，提升多模态推理一致性。
Comments Accepted at ICLR 2026 Workshop on Logical Reasoning of Large Language Models. 7 pages, 1 figure
UniReason-Med: 用于医学VQA中二维到三维迁移的共享基础推理接口
机构 * IQuest Research
专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV
AI总结 提出UniReason-Med框架，通过共享基础推理接口从2D医学图像向3D医学VQA迁移推理能力，结合监督微调和强化学习，显著提升3D推理性能。
IAPO：面向小型多模态代理工具使用的输入归因感知策略优化
机构 * University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.LG
AI总结 提出输入归因感知策略优化（IAPO），通过强化学习对齐模型与教师模型的输入归因，提升多模态小语言模型的工具调用能力，在六个测试集上平均准确率提升3%。
EverydayGPT: 用于高效安全混合GPT-RAG对话问答的置信门控路由
机构 * Dr. A.P.J. Abdul Kalam Technical University（阿卜杜尔·卡拉姆技术大学）
专题命中 视觉问答 ：grounding(abstract)
AI总结 提出置信门控路由机制，通过联合策略决定检索与生成路径，使85%的查询使用快速RAG提取，延迟降低120倍以上，同时保持答案质量。
Comments 12 pages, 10 figures, 6 tables. Code and evaluation scripts available at: https://github.com/merciless-admiral-3083/EverydayGPT. This paper studies routing strategies for hybrid GPT-RAG systems under resource constraints, focusing on efficiency-safety tradeoffs rather than state-of-the-art accuracy
AVIS: 视觉语言模型的自适应测试时缩放
机构 * AI Center-Toronto, Samsung Electronics（三星电子多伦多AI中心） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； York University（约克大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract_cn,comments)；visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 提出AVIS，通过轻量策略联合优化视觉上下文缩放和推理缩放，利用无训练的关键多样性剪枝和自适应自一致性，在多种基准上提升精度-计算权衡。
Comments Project page: https://avis-vlm.github.io/
推理，再推理：跨视角重访提升空间推理
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 ：MLLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 提出ReRe框架，通过生成互补新视角视频让MLLM先推理再验证，无需训练即可显著提升空间推理性能。
Comments ICML 2026
OpenMedReason: 医学视觉语言模型的科学推理监督
机构 * York University（约克大学） ； Vector Institute（向量研究所） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Toronto（多伦多大学） ； Unity Health Toronto / St. Michael’s Hospital（多伦多联合健康/圣迈克尔医院） ； University Health Network（大学健康网络） ； Arc Institute（弧研究所） ； Queen's University（女王大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出OpenMedReason，一个包含约45万图像-问题-答案实例的大规模开放医学推理语料库，其推理轨迹主要来自生物医学科学文章，并配套基准OpenMedReason-Bench进行细粒度评估，在监督微调和强化对齐中有效提升模型性能。
Comments 42 pages, 9 figures, 24 tables. Dataset and code: https://huggingface.co/datasets/neginb/OpenMedReason
从提示到标记：将因果监督内化到视觉-语言模型中进行多图像因果推理
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 ：vision-language model(title)；VLM(abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出BridgeVLM，通过从多图像输入诱导因果图并转换为因果标记，注入LLM解码器进行因果消息传递，显著提升多图像因果推理性能。
MODF-SIR：面向社交智能推理的多智能体全模态蒸馏框架
机构 * School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院） ； School of Medical Technology, Beijing Institute of Technology（北京理工大学医学技术学院） ； Cloud and AI BU, Huawei（华为云与AI业务部） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 提出基于轻量级多模态大语言模型的多智能体协作框架，通过知识蒸馏增强训练与推理，结合测试时适应、长尾事件提取和链式思维提示，在多个基准上取得最优结果。
基于时空场景图基础的计划与验证视频奖励推理
机构 * Korea University（高丽大学）
专题命中 视觉推理 ：grounding(title)；分类 cs.CV
AI总结 提出SG-PVR视频奖励模型，通过计划-验证推理和时空场景图，系统验证提示中的每个条件，实现细粒度语义对齐，提升文本到视频生成的组合对齐。
元数据感知的多提示推理用于零样本事故理解
机构 * Netradyne
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出三阶段流水线，通过视觉-语言相似性、元数据驱动的多提示推理和开放词汇检测，实现零样本事故视频的时序定位、语义分类和空间定位，显著提升性能。
Comments Accepted at the AUTOPILOT Workshop, CVPR 2026 (non-archival). Workshop Paper ID 15
SVoT: 基于强化学习的空间推理状态感知思维可视化
机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 提出SVoT框架，通过强化学习生成可验证的中间状态和可视化，结合文本与视觉推理链，提升多模态大模型在多跳空间推理中的可靠性。
面向自动驾驶危险检测的视觉-语言模型任务对齐稳定性分析
机构 * Everett Richards（埃弗里特·里奇ards）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract_cn)；分类 cs.CV、cs.AI
AI总结 研究视觉-语言模型在自动驾驶危险检测中，嵌入漂移与任务对齐危险分数变化的关系，发现不同腐败类型导致不同的失效模式，建议基准测试包含任务对齐稳定性指标。
Comments 8 pages (5 main body + 3 references / appendices). ICML 2026 Workshop on Combining Theory and Benchmarks (CTB)
自然语言在小时级视频中的时间定位是一个搜索问题：基准与经验分解
机构 * NAVER Cloud AI ； KAIST AI（韩国科学技术院人工智能系）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV、cs.AI
AI总结 针对小时级视频的自然语言时间定位，提出搜索是主要瓶颈而非识别，发布首个开放小时级定位基准ExtremeWhenBench，并通过检索-定位混合方法显著提升性能。
Comments 10 pages, 6 figures, Code and benchmark: https://github.com/naver-ai/ExtremeWhenBench
APEX: 具有动态数据选择的自动提示工程专家
机构 * Google（谷歌） ； UCLA（加州大学洛杉矶分校）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 提出APEX框架，通过动态数据分层（易、难、混合）优先选择高杠杆子集，在固定预算下提升提示优化效率，在三个基准上平均提升11.2%和6.8%。
基于LSTM的财产保险损失准备金结构性断点检测：气候信息方法
机构 * Stony Brook University（石溪大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 针对气候变化导致传统精算方法失效的问题，提出使用LSTM神经网络检测结构性断点，在佛罗里达和路易斯安那州数据上预期将巨灾年份准备金精度提升15-20%，并给出理论保证。
Comments 15 pages, 0 figures, whitepaper YC
FreeBridge: 用于细胞转变动力学的变分薛定谔桥
机构 * Stony Brook University（石溪大学） ； University of Toronto（多伦多大学） ； University Health Network（大学健康网络）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 针对高内涵成像中细胞扰动建模的端点监督问题，提出FreeBridge方法，通过变分薛定谔桥在固定细胞流形上学习随机传输，并利用经验潜在支持正则化约束中间路径，在保持端点保真度的同时减少中间支持违规。
Comments Accepted to MICCAI 2026 (early accept). Project page: https://y-research-sbu.github.io/FreeBridge/
NightFeats @ MMU-RAGent NeurIPS 2025: 面向文本到文本轨道的上下文优化多智能体RAG系统
机构 * NightFeats
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出一种结构化多智能体RAG系统NightFeats，通过检索、策展和组合三阶段分解知识合成，引入时序语义重排序、矛盾协调和引用保留架构，在MMU-RAGent竞赛中超越商业基线。
Comments 5 pages, 1 figure, 1 table. NeurIPS 2025 Competition Track (MMU-RAGent). System developed October 2025
VL-DINO: 利用CLIP视觉-语言知识进行开放词汇目标检测
机构 * Chongqing University（重庆大学） ； City University of Hong Kong（香港城市大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 提出VL-DINO，通过QPSC模块构建高质量正样本增强视觉-语言对齐，VSE模块蒸馏CLIP视觉知识，ORSA模块对齐区域特征与文本嵌入，在LVIS零样本检测上达到36.3/38.1 AP。
使用多模态语言模型检测社交媒体上的AI生成内容
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Meta
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 针对AI生成内容检测的泛化性差、单模态依赖和缺乏可解释性问题，提出基于多模态数据的紧凑视觉-语言模型，实现检测与解释，在公开基准和内部数据集上达到最优性能。
VICX: 通过视频生成和上下文操作网络实现可泛化的机器人操作
机构 * National University of Singapore（新加坡国立大学）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出VICX框架，利用冻结视频生成模型生成视觉计划，并通过视频到轨迹的上下文操作网络（V2T-ICON）将其映射为机器人可执行轨迹，实现跨任务、跨本体泛化。
Comments The first two authors contributed equally to this work
SOMA-SQL: 通过合成日志和执行探测解决NL-to-SQL中的多源歧义
机构 * Oracle AI（甲骨文人工智能实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出SOMA-SQL框架，通过合成查询日志和歧义驱动探测自动解决自然语言到SQL中的多源歧义，在6个基准上平均执行准确率提升13.0%。
Comments 34 pages, 1 figure, 7 tables. Preprint
从重复模式的层次复用测量语言复杂度
机构 * Department of Systems Science, Faculty of Arts and Sciences, Beijing Normal University（北京师范大学文理学院系统科学系） ； International Academic Center of Complex Systems, Beijing Normal University（北京师范大学国际复杂系统学术中心） ； Department of Chinese Language and Literature, Faculty of Arts and Sciences, Beijing Normal University（北京师范大学文理学院中国语言文学系） ； Center for Linguistic Sciences, Beijing Normal University（北京师范大学语言学科学中心） ； School of Systems Science, Beijing Normal University（北京师范大学系统科学学院） ； Department of Mathematics and Applied Mathematical Sciences, University of Rhode Island（罗德岛大学数学与应用数学科学系） ； Department of Cell and Molecular Biology, University of Rhode Island（罗德岛大学细胞与分子生物学系）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出基于算法信息论的梯径指数，通过层次复用重复子结构测量语言复杂度，在21个平行语料库中验证了等复杂度假说和权衡假说。
Comments 17 pages, 4 figures
迈向全自动考试评分：基于基础模型的笔迹答案公平性识别
机构 * Institute for Machine Learning and Analytics (IMLA), Offenburg University（奥芬堡大学机器学习和分析研究所（IMLA））
专题命中 文档图表理解 ：VLM(summary_cn,abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出使用视觉-语言基础模型（VLM）识别手写答案，在61份考试（3141个答案位置）上达到98.4%准确率，并通过轻量提示将假阴性率降至0.58%，实现公平的全自动评分。
Comments 11 pages, 2 figures, 3 tables
World Pilot: 用世界动作先验引导视觉-语言-动作模型
机构 * Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所） ； Nanjing University（南京大学） ； Beihang University（北京航空航天大学）
专题命中 GUI与屏幕智能体 ：grounding(abstract)
AI总结 提出World Pilot框架，通过世界动作模型（WAM）的潜在引导和动作引导两条路径，为VLA模型提供场景演化先验和轨迹级运动提示，在LIBERO-Plus零样本OOD基准上达到84.7%的总成功率，并在多个真实机器人操作任务中取得最高成功率。
Comments Project Website: https://world-pilot.github.io/
碰撞前的预见：利用冻结视觉-语言模型的预期性安全强化学习
机构 * Iowa State University（爱荷华州立大学）
专题命中 幻觉与鲁棒性 ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；分类 cs.LG
AI总结 提出VLM-Safe-RL框架，通过冻结视觉-语言模型生成预期性成本项，改进CMDP拉格朗日更新，在高速碰撞场景下实现安全与回报的平衡。
Comments 44pages, 26 figures
将视觉-语言模型从标志性适应到包容性：用于无标签的多标签识别
机构 * State Key Laboratory of Virtual Reality Technology and Systems, SCSE & QRI, Beihang University（虚拟现实技术与系统国家重点实验室，北京航空航天大学计算机学院与青岛研究院）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出无监督框架，通过“切割”和“缝合”两阶段适应VLMs，实现无标签的多标签图像识别，在四个数据集上超越现有无监督方法。
AutoMine 解决方案：面向 AV2 2026 场景挖掘挑战
机构 * Xiaomi EV（小米汽车） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 幻觉与鲁棒性 ：VLM(summary_cn,abstract)；分类 cs.AI
AI总结 提出基于 LLM 和 VLM 的自优化场景挖掘方法 AutoMine，通过语义保持提示增强、鲁棒轨迹原子函数与 VLM 函数结合以及执行反馈优化，在 CVPR 2026 挑战赛中取得领先性能。
Comments CVPR 2026 Scenario Mining Challenge (Temporal Track Winners)
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