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。
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。
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。
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
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。
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。
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
Clef 编程语言中的不动点脚手架
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出一种基于不动点组合子的编译器中间表示方法，通过范畴论构造实现类型结构保持和正确性验证，并利用 MLIR 工具链支撑实际编译。
Comments 16 pages, 2 figures
面向古希腊校勘本的结构感知文本识别
机构 * Inria（法国国家信息与自动化技术研究所）
专题命中 文档图表理解 ：VLM(abstract,abstract_cn)；visual language model(abstract)；分类 cs.CV
AI总结 本文通过构建大规模合成语料库和真实扫描基准，评估了视觉语言模型在结构感知文本识别上的性能，发现Qwen3VL-8B模型在真实扫描上达到1.0%的中位字符错误率。
当表格失控：评估多模态模型在法语金融文档上的表现
机构 * Inria Paris（巴黎国家信息与自动化研究所） ； Sorbonne Université（索邦大学）
专题命中 文档图表理解 ：vision-language model(abstract)；VLM(abstract_cn)
AI总结 提出Scribe Finance基准，评估多模态模型在法语金融文档上的文本、表格、图表及多轮对话理解能力，发现模型在图表和多轮对话中表现脆弱。
Comments 16 pages, 13 figures
DeMaVLA：面向可泛化可变形物体操作的视觉-语言-动作基础模型
机构 * Tongji University（同济大学）
专题命中 GUI与屏幕智能体 ：VLM(summary_cn,abstract)；分类 cs.AI
AI总结 提出DeMaVLA模型，采用VLM骨干与动作专家结合流匹配生成连续动作，通过剪枝Transformer层提升效率，并利用大规模真实世界数据和人类反馈数据聚合训练，实现可变形物体折叠操作的多类别泛化。
Comments 14 pages, 2 figures
R1-SyntheticVL：生成模型的合成数据是否已为多模态大语言模型做好准备？
机构 * Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学）
专题命中 幻觉与鲁棒性 ：MLLM(summary_cn,abstract_cn)；multimodal large language model(title)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出集体对抗数据合成（CADS）方法，通过集体智能和对抗学习自动生成高质量、多样且具有挑战性的多模态数据，用于增强多模态大语言模型（MLLM）在复杂现实任务中的性能。
Comments ICML 2026 Camera Ready
从智能体痕迹到信任：LLM智能体中的证据追踪与执行溯源
机构 * Griffith University（格里菲斯大学） ； Jiangsu University（江苏大学） ； University of Southern Queensland（南方昆士兰大学） ； Peking University（北京大学） ； Great Bay University（大湾大学） ； Nanjing University（南京大学） ； Macquarie University（麦觉瑞大学） ； Southern University of Science and Technology（南方科学与技术大学）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.AI
AI总结 本文系统综述了LLM智能体中的证据追踪与执行溯源方法，通过统一溯源视角连接检索、工具使用、记忆等环节，提出分类体系并讨论开放挑战。
Mordal: 面向视觉语言模型的自动化预训练模型选择
机构 * Department of Computer Science and Engineering（计算机科学与工程系）
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、cs.LG
AI总结 提出Mordal框架，通过减少候选模型数量和评估时间，自动化搜索用户定义任务的最佳视觉语言模型，相比网格搜索降低GPU耗时8.9-11.6倍，加权Kendall's τ平均提升69%。
结合在线优化与蒸馏以提升大语言模型的长上下文推理能力
机构 * Instituto Superior Técnico, Universidade de Lisboa（里斯本大学理工学院） ； Instituto de Telecomunicações（电信研究所） ； TransPerfect（TransPerfect公司）
专题命中 VLM训练与架构 ：grounding(abstract)
AI总结 本文提出dGRPO方法，结合在线优化与蒸馏，通过强教师模型提供密集指导，提升长上下文推理能力，同时保持短上下文能力。
ALAS：音频语言模型的自动潜在对齐分数
机构 * Concordia University（Concordia 大学） ； Mila-Quebec AI Institute（Mila-Quebec 人工智能研究所） ； Centrale Supelec（Centrale Supelec 研究院） ； Laval University（Laval 大学）
专题命中 VLM训练与架构 ：grounding(abstract)
AI总结 提出ALAS指标，通过计算音频与文本表示的跨模态余弦相似度，无需训练即可评估语音-LLM的音频-文本对齐质量，揭示模型对齐深度与任务需求的关系。
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