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。
DRIVESPATIAL：自动驾驶中视觉语言模型时空智能的基准
机构 * University of Arkansas, USA（美国阿肯色大学） ； Google Research, Google（谷歌研究院） ； University of Liverpool, UK（英国利物浦大学） ； Max Planck Research School for Intelligent Systems（马克斯·普朗克智能系统研究学校）
专题命中 视觉问答 ：vision-language model(abstract)；VLM(abstract_cn)；grounding(abstract)；分类 cs.CV
AI总结 提出DriveSpatial基准，通过多视角、时空推理任务评估视觉语言模型在自动驾驶中的场景构建、关系理解、时序推理和泛化能力，发现人类与模型间存在显著差距。
EHRNote-ChatQA：一个面向纵向出院总结的基于证据的多轮临床问答基准
机构 * KAIST（韩国科学技术院） ； Seoul National University（首尔大学） ； Seoul National University Bundang Hospital（首尔大学盆唐医院） ； SAIHST, Sungkyunkwan University（成均馆大学） ； Yonsei University College of Medicine（延世大学医学院） ； Gangnam Severance Hospital（江南塞弗伦斯医院） ； Severance Hospital（塞弗伦斯医院） ； Seoul Medical Center（首尔医疗中心） ； Seoul National University Hospital（首尔大学医院） ； National Cancer Center（国立癌症中心） ； Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院） ； Samsung Medical Center（三星医疗中心）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 提出EHRNote-ChatQA基准，基于MIMIC-IV出院总结构建，包含967个多轮样本和16072个专家验证的QA对，评估LLM在证据支持下的多轮临床问答能力，发现模型在证据定位和多轮错误累积方面存在挑战。
ICBCBench：面向金融深度研究的行业联盟基准
专题命中 视觉问答 ：grounding(abstract)
AI总结 针对金融领域深度研究代理评估标准缺失的问题，提出ICBCBench基准，采用客观任务与主观报告评估双轨范式，揭示当前模型在复杂推理、事实依据和报告质量上的显著差距。
Comments 33 pages, 14 figures. Preprint. Under review
miniReranker: 通过视觉缓存重用和交互稀疏性实现高效多模态重排序
专题命中 视觉问答 ：multimodal large language model(abstract)
AI总结 提出miniReranker，通过视觉优先格式、早期退出、窄交互带和嵌入器引导剪枝，将重排序运行时间降至密集实现的1%以下，同时保持96%以上的性能。
空间视觉语言模型中的双路径推理强化
机构 * The University of Hong Kong（香港大学） ； NVIDIA（英伟达） ； University of California, San Diego（加州大学圣迭戈分校）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision language model(title)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出SR-REAL框架，通过强化学习融合语言推理和3D检测推理两条路径，显著提升空间VLM在复杂几何推理任务中的性能。
ThinkJEPA：赋予潜在世界模型大型视觉-语言推理能力
机构 * Northeastern University（东北大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Maryland（马里兰大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出ThinkJEPA框架，结合密集JEPA分支与稀疏VLM思考者分支，通过分层金字塔表示提取模块，实现细粒度运动建模与长程语义引导，在手部操作轨迹预测任务上超越基线。
Comments 10 pages, 5 figures
使用大型视觉语言模型审核不安全的用户生成内容游戏中的非法在线图像推广
机构 * University at Buffalo（布法罗大学） ； Northeastern University（东北大学） ； Clemson University（克莱姆森大学） ； The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract_cn)；分类 cs.LG
AI总结 针对社交媒体上非法推广不安全UGC游戏的图像，提出UGCG-Guard系统，利用大型视觉语言模型和条件提示策略实现零样本域适应，检测准确率达94%。
Comments In Proceedings of the 33rd USENIX Conference on Security Symposium (SEC '24), August 14-16, 2024
m2sv: 地图到街景空间推理的可扩展基准
机构 * University of Hawai'i at M\=anoa, Honolulu, HI, USA
专题命中 视觉推理 ：VLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 提出m2sv基准，通过匹配朝北俯视图与街景图像推断相机方向，评估VLM空间推理能力；最佳模型准确率65.2%，低于人类72.0%，揭示几何对齐与推理一致性的差距。
通过闭环视觉基础验证弥合自我反思中的模态脱节
机构 * Beijing Institute of Technology（北京理工大学） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 提出MIRROR框架，通过闭环视觉反思（草稿-批评-区域验证-修订）减少VLM幻觉，并构建ReflectV数据集训练视觉基础的多轮反思。
IndustryBench-MIPU：面向工业产品的多图像属性值提取基准
机构 * Multimodal and Industrial AI Team（多模态与工业AI团队） ； Taobao&Tmall, Alibaba Group（淘宝&天猫，阿里巴巴集团）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出首个多图像工业产品理解基准IndustryBench-MIPU，通过结构化属性提取任务评估多模态大模型在规格表、铭牌、技术图纸上的文本识别、视觉推理、领域知识和跨图像证据整合能力，发现多图像完整性是核心瓶颈。
长视频全模态推理基准
机构 * Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； American University of Beirut（贝鲁特美国大学） ； Linköping University（利尔贝里大学）
专题命中 视觉推理 ：grounding(abstract)；MLLM(abstract_cn)；分类 cs.CV
AI总结 提出LongShOTBench基准，用于评估长视频中视觉、语音和环境音频的全模态推理，并引入无训练的全模态证据搜索代理LongShOTAgent，在105个模型上取得最优性能。
ThinkingVLA：用于机器人操作的交叉视觉与语言推理
机构 * Fudan University（复旦大学）
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)
AI总结 提出ThinkingVLA，通过统一的多Transformer架构实现前向与逆向推理交织，显著提升长时域操作任务性能。
MathVis-Fine：通过渐进式依赖引导训练将视觉监督与必要性对齐的多模态数学推理
机构 * School of ECE, Peking University（北京大学电子与计算机工程学院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） ； Tencent Youtu Lab（腾讯优图实验室）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 提出MathVis-Fine框架，通过构建细粒度视觉标注数据集和两阶段渐进式训练，根据样本的视觉依赖程度平衡答案正确性和视觉基础奖励，提升多模态数学推理的监督精度。
通过奖励设计解耦多模态大语言模型中的感知与推理
机构 * Department of Computer Science, Dartmouth College（达特茅斯大学计算机科学系） ； Department of Computer Science, University of Central Florida（中央佛罗里达大学计算机科学系） ； Independent Researcher（独立研究者）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 研究多模态大模型中感知与推理的瓶颈，发现感知是主要约束，并通过奖励设计提升视觉基础推理，平均提升5.56分。
Comments 24 pages, 15 Figures, 10 Tables
DriveJudge: 用视觉-语言模型重新思考自动驾驶评估
机构 * NVIDIA（英伟达）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出DriveJudge，结合规则评估与VLM推理，通过选择性调用物理规则函数实现可解释且上下文感知的驾驶评估，在驾驶质量分类和轨迹偏好选择任务上超越现有方法。
Comments Under Review
BusterX：基于MLLM的AI生成视频伪造检测与解释
机构 * University of Liverpool, UK（利物浦大学） ； Nanyang Technological University, SG（南洋理工大学） ； The Chinese University of Hong Kong, Shenzhen, Guangdong, China（香港中文大学（深圳）） ； Wuhan University（武汉大学） ； Hangzhou Dianzi University（杭州电子科技大学）
专题命中 视觉定位与Grounding ：MLLM(title,title_cn)；visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出BusterX，一种基于多模态大语言模型的视频伪造检测系统，通过改进数据集和评估基准，提升检测准确性和解释质量。
BusterX++: 迈向基于MLLM的统一跨模态AI生成内容检测与解释
机构 * University of Liverpool, UK（利物浦大学）
专题命中 视觉定位与Grounding ：MLLM(title,title_cn)；visual reasoning(abstract)；分类 cs.CV
AI总结 提出统一多模态大模型BusterX++，通过纯强化学习策略实现图像与视频伪造检测的跨模态能力迁移，性能超越现有方法。
LADBench: 图像中逻辑故障检测的基准
机构 * University of South Florida（南佛罗里达大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn)；vision language model(abstract)；visual question answering(abstract)；grounding(abstract)
AI总结 提出LAD-Bench基准，包含1000多张合成图像的四域逻辑异常，通过分层提示协议评估模型，揭示现有VLM在隐式逻辑故障检测上的不足。
Comments Accepted to the IEEE International Conference on Development and Learning (ICDL 2026)
EventDrive: 用于视觉-语言驾驶智能的事件相机
机构 * NUS（新加坡国立大学） ； HKUST(GZ)（香港科技大学（广州）） ； Horizon Robotics（地平线机器人） ； A*STAR, I2R（新加坡科技研究局，资讯通信研究院） ； IPAL, CNRS IRL 2955, Singapore（IPAL，法国国家科学研究中心国际联合实验室2955，新加坡） ； University Toulouse, CNRS, CerCo, Toulouse, France（图卢兹大学，法国国家科学研究中心，CerCo，法国图卢兹） ； ETIS UMR 8051, CY Cergy Paris University, ENSEA, CNRS, France（ETIS UMR 8051，CY塞尔吉-巴黎大学，ENSEA，法国国家科学研究中心，法国）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出EventDrive基准和模型套件，通过多时域事件金字塔和时域混合专家模块融合事件流与RGB帧，在感知、理解、预测和规划四维度提升驾驶推理性能。
Comments CVPR2026, 34 pages, 15 figures, 15 tables, project page: https://dylanorange.github.io/projects/eventdrive
基于强化学习优化器的分布外检测的理论基础
机构 * San Diego State University（圣地亚哥州立大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV、cs.LG
AI总结 本文提出一种强化学习引导的优化器，通过修正梯度下降更新来降低语义分布外误报率，理论分析了模型变化和环境变化对泛化误差的影响。
MarkIt: 免训练视觉标记用于精确视频时间定位
专题命中 视觉定位与Grounding ：grounding(title,abstract)
AI总结 提出免训练框架MarkIt，通过无标注查询到掩码桥接生成标记视频，增强视频语言大模型的时间定位能力，在多个基准上取得最优结果。
通过说话人日志条件将口语大语言模型扩展到多说话人音频
专题命中 视觉定位与Grounding ：grounding(title)
AI总结 提出基于说话人日志条件的口语语言模型，通过条件化声学编码器提取目标说话人表示，避免序列化输出训练导致的灾难性遗忘，在多个数据集上显著提升说话人属性转录性能。
Comments Accepted to Interspeech 2026
GeoDisaster: 用于操作化灾害地理智能的编排智能体基准测试
机构 * Indian Institute of Technology Bombay（印度理工学院孟买分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出GeoDisaster基准，包含2921个实例和43种问题类型，用于评估遥感视觉语言模型在工具化空间推理和结构化决策方面的能力，并设计多智能体框架RCEA提升工具使用和证据基础。
Comments 28 pages, 11 Figures
DiagFlowBench：评估语言模型在基于规程的诊断对话中如何处理偏离规程输入
机构 * University of Groningen（格罗宁根大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出DiagFlowBench基准，包含50个工业诊断流程图转化的1676轮对话，评估10个模型在识别偏离规程输入时的表现，发现模型常选择真实但不恰当的步骤而非捏造事实。
百万级多模态花粉显微镜图像与专家引导的基础模型
机构 * Department of Physics of Complex Systems, ELTE Eötvös Loránd University（ELTE罗兰大学复杂物理系） ； The Palynological Laboratory at the Swedish Museum of Natural History（瑞典自然历史博物馆孢粉学实验室） ； National Centre for Public Health and Pharmacy（国家公共卫生与药品中心） ； INRAE, UR 546 BioSP, Site Agroparc（法国国家农业、食品与环境研究院，UR 546 BioSP，阿格罗帕克园区） ； National Korányi Institute for Pulmonology（国家科拉尼肺病研究所） ； Health Data Science and AI Knowledge Centre, Health Services Management Training Centre, Faculty of Health and Public Administration, Semmelweis University（塞梅维什大学健康与公共管理学院卫生服务管理培训中心健康数据科学与人工智能知识中心） ； Department of Biological Physics, ELTE Eötvös Loránd University（ELTE罗兰大学生物物理系）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 提出百万级多模态花粉显微镜数据集Pollen AI Atlas，结合专家引导的视觉-语言模型生成形态描述，实现跨区域、跨设置的高精度花粉识别与检索。
Comments 31 pages, 5 main figures, supplementary information included. Submitted to Scientific Reports
打破自回归诅咒：动态认知熵编排的可擦除强化学习用于大语言模型
机构 * SenseTime（商汤科技） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出动态认知熵编排的可擦除强化学习（E³RL），通过将模型内生的局部自回归交叉熵作为认知不确定性坐标，利用分段自适应动态阈值和优势分配精准切除逻辑缺陷并重用KV缓存，解决长序列推理中的自回归级联崩溃问题。
SierpinskiCam: 基于谢尔宾斯基三角形图案线索的相机控制视频重拍
机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； VISTEC, Thailand（泰国威斯泰克科学技术研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出SierpinskiCam方法，通过谢尔宾斯基圆顶纹理线索增强几何引导，并引入参考视频条件机制，解决单目视频重拍中相机大角度偏离时的稀疏区域问题，提升相机可控性、几何一致性和视频质量。
Comments 20 pages, 13 figures
NeuroClaw 技术报告
机构 * Electronic Engineering Department, The Chinese University of Hong Kong, China（香港中文大学电子工程系） ； School of Electronic Information, Northwest University, China（西北大学电子信息学院） ； Department of Computer Science, Emory University, Atlanta, GA, USA（埃默里大学计算机科学系） ； Computer Science and Engineering, Lehigh University, Bethlehem, PA, USA（莱斯利大学计算机科学与工程系） ； Department of Radiology, Massachusetts General Hospital, Boston, MA, USA（麻省总医院放射科） ； Kempner Institute for Natural and Artificial Intelligence, Harvard University, Cambridge, MA, USA（哈佛大学自然与人工智能研究所）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 针对神经影像学中多模态数据、长流程和可重复性挑战，提出NeuroClaw多智能体研究助手，通过数据驱动决策、环境管理和三层技能架构实现可执行可复现的神经影像分析，并在NeuroBench基准上显著优于直接调用智能体。
时间序列异常检测中根因分析的条件归因
机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） ； Paul Wurth S.A（保罗·沃思公司） ； Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau（莱茵河-巴尔夫技术大学凯撒斯劳滕-兰道）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 提出一种条件归因框架，通过检索与异常观测上下文相似的正态实例进行依赖保持的解释，结合变分自编码器和UMAP流形嵌入实现高维时间序列的高效归因，并在SWaT和MSDS基准上提升了根因识别准确率与鲁棒性。
Comments Accepted at ECML PKDD. 16 pages, 8 figures, 13 tables, and an appendix
Journal ref ECML PKDD 2026
学习上下值包络以塑造在线强化学习：一种原则性方法
机构 * SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris（SAMOVAR， Télécom SudParis， Institut Polytechnique de Paris） ； Wiremind Cargo 16 Bd Poissonnière 75009 Paris ； Modal’X, Université Paris-Nanterre, 92000 Nanterre（Modal’X， Université Paris-Nanterre， 92000 Nanterre）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 提出一种两阶段框架，利用离线数据学习值函数的上下界，并将其融入在线算法，通过解耦上下界实现更灵活紧致的近似，理论分析给出高概率遗憾界，实验表明显著降低遗憾。
Comments 35 pages, 5 figures
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