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。
建模复杂行为：视觉语言模型中的多人格组合与动态切换
机构 * Xi'an Jiaotong University（西安交通大学） ； Beihang University（北京航空航天大学）
专题命中 视觉问答 ：vision-language model(title)；visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本研究在视觉语言模型中引入显式人格条件，建立包括单人格、多人格和人格切换的系统评估框架，发现人格提示可提升图像描述但损害精确推理任务，并观察到多特质组合与动态切换中的平衡与残留效应。
Comments 16 pages, 4 figures, 10 tables
Brain-IT-VQA: 从脑信号到答案
机构 * Weizmann Institute of Science（魏茨曼科学研究所）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 提出 Brain-IT-VQA 框架，基于 fMRI 脑信号解码语言令牌并结合语言模型进行视觉问答，在 NSD-VQA 新基准上显著优于先前方法，并用于分析脑区对视觉信息的贡献。
Fanar-Sadiq：一种用于基于经典伊斯兰问答的多智能体架构
机构 * Qatar Computing Research Institute（卡塔尔计算研究所） ； HBKU（哈马德本·卡尔白大学）
专题命中 视觉问答 ：grounding(abstract)
AI总结 针对大语言模型在伊斯兰问答中易产生幻觉和错误归因的问题，提出基于多智能体工具增强架构的Fanar-Sadiq系统，通过意图感知路由、检索增强教法回答、精确经文引用和确定性计算器，在公开基准上实现高效准确的伊斯兰问答。
Comments Islamic QA; Religious NLP; Retrieval-Augmented Generation; Multi-Agent LLMs; Tool-Augmented Reasoning; Faithful Generation; Fiqh Reasoning
MARIC：用于图像分类的多智能体推理
机构 * Enhans, Seoul, South Korea（韩国首尔Enhans） ； Peking University, Beijing, China（中国北京北京大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision language model(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 提出多智能体框架MARIC，通过分解图像分类为协作推理过程，利用大纲智能体、方面智能体和推理智能体进行多视角分析与综合，在四个基准数据集上显著优于基线方法。
Comments 11 pages, preprint
MentisOculi: 揭示心智图像推理的局限性
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出MentisOculi基准，通过多步推理问题测试前沿模型利用视觉表示辅助推理的能力，发现视觉策略普遍无法提升性能，且统一多模态模型存在生成错误累积和无法利用真实可视化的问题。
Comments 9 pages, 8 figures, Accepted at ICML 2026
P3D-Bench：用于参数化3D生成与结构推理的多模态大语言模型基准
机构 * Nanjing University（南京大学） ； Envision
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出P3D-Bench基准，通过参数化3D程序评估多模态大语言模型在几何精度、语义对齐和装配一致性上的表现，涵盖文本到3D、图像到3D和装配3D三类任务。
Comments Project page: https://spatiaos.github.io/projects/P3D-Bench
从对应到动作：多模态大语言模型中类人多图像空间推理
机构 * University of Tokyo（东京大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出HATCH框架，通过补丁级空间对齐和动作-答案推理两个目标，提升多模态大模型在多图像空间推理中的性能，在三个基准上超越同规模基线。
Comments ICML 2026
时间序列中基于大语言模型的推理与智能体系统综述
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； National Yang Ming Chiao Tung University（阳明交通大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文定义时间序列推理问题，按推理拓扑分为直接、线性链和分支结构三类，结合传统分析、解释、因果推断和生成等目标，综述方法、系统、数据集和评估实践，并指导拓扑选择与部署权衡。
Comments Accepted to Transactions on Machine Learning Research (TMLR)
RoboGPT-R1: 通过强化学习增强机器人任务规划
机构 * Institute of Automation, CASIA（中国科学院自动化研究所） ； School of Artificial Intelligence, UCAS（中国科学技术大学人工智能学院） ； Huawei Cloud Technology Co., Ltd（华为云技术有限公司）
专题命中 视觉推理 ：vision language model(abstract)；分类 cs.AI
AI总结 提出RoboGPT-R1两阶段微调框架，先监督学习获取基础知识，再通过强化学习提升视觉空间理解和推理能力，在EmbodiedBench上超越GPT-4o-mini 21.33%。
Journal ref Proceedings of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026), pp. 2827-2837, IFAAMAS, 2026
基于扩散的多模态大语言模型的视觉冗余控制并行解码
机构 * Zhejiang University（浙江大学） ； ZJUI-UIUC Institute（ZJUI-UIUC研究院）
专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；grounding(abstract)；分类 cs.LG
AI总结 针对扩散型多模态大语言模型并行解码中视觉冗余问题，提出视觉冗余指数（VRI）和无需训练的视觉冗余控制解码（VRCD）方法，通过令牌到图像的注意力优先选择视觉互补位置，在多个基准上提升准确率。
Comments 18 pages, 5 figures, preprint. Code is available at https://github.com/infiniteYuanyl/VRCD
音频大语言模型中多事件音频定位的敏感性分析
机构 * Sogang University（ソンガン大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)
AI总结 通过大规模评估，发现音频大语言模型在复杂声学场景中事件数量增加会导致真阳性率下降和假阳性率上升，提示词则引入权衡，模型对多事件音频更不确定。
Comments 6 pages, Accepted to Interspeech 2026
可认证安全RLHF：基于语义基础与固定惩罚约束优化的更安全大语言模型对齐
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； New Jersey Institute of Technology（新泽西理工学院） ； Department of Computer Engineering（计算机工程系） ； Heritage Institute of Technology（遗产理工学院）
专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.AI、cs.LG
AI总结 针对现有RLHF方法依赖奖励/成本函数和双变量调优导致性能敏感且缺乏可证明安全保证的问题，提出CS-RLHF，通过语义基础成本模型和固定惩罚约束优化，实现可认证安全对齐，效率提升至少5倍。
MedVeriSeg: 教授LISA-like医学分割模型验证查询的有效性而无需额外训练
机构 * School of Aeronautics and Astronautics, Zhejiang University（浙江大学航空宇航学院） ； Southern Medical University（南方医科大学） ； School of Computer Science and Technology (School of Artificial Intelligence), Zhejiang Sci-Tech University（浙江科技学院计算机科学与技术学院（人工智能学院）） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出MedVeriSeg，一种无需训练的查询验证框架，使LISA-like医学分割模型能够拒绝虚假分割查询。通过相似性响应质量评分模块和轻量级路由多代理验证模块，提升验证鲁棒性，并构建MedVeriSeg-Bench基准，有效减少幻觉分割。
Comments 13 pages, 9 figures
连通性对强化学习中拉普拉斯表示的影响
机构 * University of Edinburgh（爱丁堡大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本文研究了连通性对强化学习中拉普拉斯表示的误差影响，通过分析状态图的代数连通性，推导了线性价值函数近似误差的上界，并展示了表示学习管道中的端到端误差分解。
ProGRank: 探针梯度重排序以防御密集检索器RAG免受语料投毒攻击
机构 * Chalmers University of Technology, Sweden（瑞典查尔姆斯理工大学） ； University of Leeds, United Kingdom（英国利兹大学） ； Carl von Ossietzky University of Oldenburg, Germany（德国奥尔登堡卡尔·冯·奥西特齐大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出ProGRank，一种无需训练的后处理检索器端防御方法，通过随机扰动下探针梯度提取不稳定信号并重排序，有效防御密集检索器RAG的语料投毒攻击。
Comments accepted by ECML PKDD 2026
CountZES: 通过零样本示例选择进行计数
机构 * Mohamed Bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 针对零样本计数中示例质量差导致计数不准的问题，提出CountZES方法，通过检测锚定、密度引导和特征共识三阶段协同选择多样化示例，提升计数准确性。
PIGEON: 通过兴趣点选择的VLM驱动物体导航
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院） ； Peking University（北京大学） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
专题命中 GUI与屏幕智能体 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 提出PIGEON框架，将物体导航建模为基于原始观测的稀疏决策问题，通过兴趣点（PoI）作为视觉决策单元，结合VLM选择关键点，实现零样本SOTA性能并迁移至主动具身问答。
辅助推理如何释放VLM中的GUI定位能力
机构 * Zhejiang Lab（浙江实验室） ； Hangzhou Research and Development Center（杭州研发中心） ； China Mobile（中国移动） ； Innovation Center of Yangtze River Delta（长江三角洲创新中心） ； Zhejiang University（浙江大学）
专题命中 GUI与屏幕智能体 ：VLM(title_cn,summary_cn)；grounding(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 针对VLM在GUI定位任务中隐式空间理解强但显式坐标输出弱的问题，提出三种零样本辅助推理方法（如标记网格），通过输入图像添加空间线索，显著提升定位性能，在多个基准上达到接近最优微调方法的效果。
基于人类演示的计算机使用智能体基础构建
机构 * Mila - Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； ServiceNow Research（ServiceNow研究） ； University of Waterloo（滑铁卢大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； École de Technologie Supérieure（高级技术学院） ； CIFAR AI Chair（CIFAR人工智能主席）
专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；分类 cs.AI、cs.LG
AI总结 为解决桌面环境高质量基础数据稀缺问题，构建了包含87个应用、56K截图和3.56M人工标注的GroundCUA数据集，并基于此训练GroundNext模型，在5个基准上以少于先前十分之一的数据取得最优结果。
Comments Accepted at ICLR 2026
GEAR-VLA：学习几何感知的动作表示以实现可泛化的机器人操作
机构 * Anhui University（安徽大学） ； University of Science and Technology of China（中国科学技术大学） ； iFLYTEK（科大讯飞）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出GEAR-VLA框架，通过粗到细的动作学习、语义对齐的3D集成和具身规范化，学习统一的几何感知动作表示，实现跨物体、背景和机器人的泛化操作。
UI2Code^N: 将UI到代码生成视为交互式视觉优化
机构 * Zhejiang University（浙江大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出将UI截图转代码任务重构为交互式视觉优化问题，采用基于偏好的强化学习方法RVPO优化视觉排名，在UI起草、润色和编辑任务上达到SOTA。
Comments 27 pages
Food4All: 一种具有自适应用户理解能力的食物资源导航智能体框架与基准
机构 * University of Notre Dame（诺特大学）
专题命中 GUI与屏幕智能体 ：grounding(abstract)
AI总结 提出Food4All框架，结合食物搜索工具与300个多轮评估任务，在686个印第安纳食物资源上评估六种大语言模型，诊断其在约束条件处理和非理想用户交互中的不足。
Comments We have further refined the benchmark construction and experimental presentation to improve clarity and consistency. The revised version includes updated task design, food-resource data, and evaluation details to better align the benchmark with the intended food resource referral setting. These changes provide a more precise presentation of the experimental findings
基于扩散的累积对抗净化方法用于视觉语言模型
机构 * KTH Royal Institute of Technology（皇家理工学院） ； Swiss Federal Institute of Technology Lausanne（洛桑联邦理工学院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； CISPA Helmholtz Center for Information Security（信息安全赫尔姆霍兹中心） ； RISE Research Institutes of Sweden（瑞典RISE研究机构） ； Halmstad University（哈马碧大学）
专题命中 幻觉与鲁棒性 ：VLM(summary_cn,abstract)；vision language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 提出DiffCAP，一种基于扩散的对抗净化策略，通过理论证明对抗效应随扩散单调衰减，并利用噪声注入与VLM嵌入相似度阈值自适应净化，显著提升防御效果并加速去噪。
Comments Accepted to Transactions on Machine Learning Research (TMLR 2026)
密度脊选择性预测：校准标签稀缺下的大语言模型与视觉语言模型幻觉检测
机构 * Northeastern University Boston, United States（东北大学波士顿分校）
专题命中 幻觉与鲁棒性 ：VLM(title)；vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 针对校准标签稀缺时大语言模型和视觉语言模型的幻觉检测问题，提出基于核密度估计的密度脊方法，利用隐藏状态生成轨迹的六维运动特征图构建响应流形，通过到最近脊顶点的欧氏距离评分，在标签稀缺协议下AUROC提升5-20点。
正确预测，误导性解释：关于视觉-语言模型解释的脆弱性
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV、cs.LG
AI总结 研究探讨了视觉-语言模型中解释热图在对抗条件下是否忠实反映推理过程，提出X-Shift攻击揭示解释与预测行为的脱节，验证了解释机制的脆弱性。
Comments Accepted at the ICML 2026 Workshop on Trustworthy AI for Good (AI4GOOD), Seoul, South Korea
ASRU：激活引导与强化遗忘融合用于多模态大语言模型
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 幻觉与鲁棒性 ：multimodal large language model(title,abstract)；分类 cs.AI
AI总结 ASRU提出一种可控多模态遗忘框架，通过激活引导和强化学习提升多模态大语言模型的遗忘效果和生成质量，实验显示在Qwen3-VL上遗忘效果提升24.6%，生成质量提升5.8倍。
ProjGuard：通过低维投影实现计算机使用代理的安全监控
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)
AI总结 ProjGuard通过行为轨迹监控实现计算机使用代理的安全防护，利用轻量级风险信号提前预警潜在危险，结合辅助视觉语言模型进行针对性修正，提升任务完成率并降低安全风险。
Comments The manuscript was submitted under an inappropriate category. In addition, substantial updates and improvements are currently being made to the document. To avoid confusion and ensure that readers access the most accurate version of the work, we request withdrawal of the current manuscript
什么语义能经受住连接器的考验？视频编辑中VLM到DiT对齐的诊断
机构 * HKUST（香港理工大学） ； FDU（福建大学） ； ZJU（浙江大学） ； NUS（新加坡国立大学）
专题命中 VLM训练与架构 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本研究探讨了视频生成模型中VLM与DiT对齐过程中的语义瓶颈问题，通过提出TRACE-Edit数据集和诊断协议，发现连接器模块会导致细粒度结构语义的严重退化，挑战了原有假设。
Video2LoRA: 视觉-语言模型的参数化视频内化
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 提出Video2LoRA方法，通过感知器超网络从视频编码中直接生成LoRA适配器，实现零视觉令牌的视频查询，在保持性能的同时大幅降低计算成本。
Comments https://frames2lora.github.io/
ReMoT: 基于运动对比三元组的强化学习
机构 * Xi’an Jiaotong University（西安交通大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团 DAMO 院）
专题命中 VLM训练与架构 ：VLM(summary_cn,abstract)；分类 cs.CV
AI总结 提出ReMoT统一训练范式，通过规则生成大规模运动对比数据集和组相对策略优化，解决VLM时空一致性问题，在时空推理任务上提升25.1%。
Comments CVPR 2026 Highlight
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