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。
多语言血液学视觉问答数据集
机构 * Information Technology University, Lahore（拉合尔信息技术大学） ； King Edward Medical University, Lahore（拉合尔爱德华国王医科大学）
专题命中 视觉问答 ：visual question answering(title,abstract)；vision language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 针对医疗领域多语言视觉问答资源匮乏的问题，构建了双语（英语-乌尔都语）血液学VQA基准WBCMor VQA，包含11万问答对和2万细胞图像，并评估了多个开源视觉语言模型。
Comments Under Review
SSMNBench: 通过单视图充分性与多视图必要性诊断基于图像的跨视角人-物理解
机构 * The University of Queensland（昆士兰大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； University of Technology Sydney（悉尼科技大学） ； Follow Me AI Pty LTD（Follow Me AI有限公司）
专题命中 视觉问答 ：MLLM(summary_cn,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出SSMNBench基准，通过单视图充分性(SVS)和多视图必要性(MVN)任务分类，诊断MLLM在跨视角人-物理解中的视觉干扰退化和跨视角融合失败问题。
Comments European Conference on Computer Vision (ECCV). 32 pages, 10 figures. The code is available at: $ \href{https://github.com/gtc-gh/SSMNBench}{\text{SSMNBench}} $
用于植物显微图像理解的视觉语言模型基准测试
机构 * The University of Queensland（昆士兰大学） ； Adelaide University（阿德莱德大学） ； University of Southern Queensland（南昆士兰大学）
专题命中 视觉问答 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 提出PlantMicro基准，包含5000+图像和9000+VQA对，评估视觉语言模型在植物显微图像理解上的能力，发现现有模型在细粒度识别和生物学推理上表现不佳。
视觉运动策略中的记忆检索用于长期机器人控制
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视觉问答 ：VLM(abstract,abstract_cn)；vision-language model(abstract)
AI总结 提出HALO策略，通过注意力记忆检索机制和视觉语言模型先验蒸馏，解决长期控制中的虚假相关和记忆误差累积问题，实现从长达8分钟历史中检索任务相关信息。
Comments 16 pages, 5 tables, 8 figures
我们到了吗？探索多模态大语言模型在辅助人工智能应用中的能力
机构 * IIT BHU India（印度理工学院瓦拉纳西校区） ； CVIT, IIIT Hyderabad India（印度海得拉巴国际信息技术学院计算机视觉与信息技术中心）
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文通过真实世界任务评估多模态大语言模型在辅助AI中的表现，开发NetraLink系统收集基准数据，揭示其优势与局限。
Teach-to-Reason: 带有自我改进教师的竞争引导推理
机构 * AIRC, Midea Group（美的集团人工智能研究中心）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 提出Teach-to-Reason框架，通过自我改进的教师和竞争引导的推理器，在胸部X光视觉问答中优化链式思维推理，解决奖励信号退化问题，实验表明优于强基线。
视觉-语言模型的搜索方式与人类相似吗？经典视觉搜索范式中推理标记作为反应时间类似物
机构 * Independent Researcher（独立研究者）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(summary_cn,abstract_cn)；分类 cs.CV、cs.AI
AI总结 研究视觉-语言模型（VLM）在经典视觉搜索任务中是否表现出类似人类的行为模式，通过推理标记数量作为搜索努力度的指标，发现模型复现了部分人类特征但也存在关键差异。
相同证据，不同答案：多模态大语言模型中的顺序敏感性审计
机构 * Stanford University（斯坦福大学）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；visual reasoning(abstract)；分类 cs.CV、cs.LG
AI总结 提出Facet-Probe审计框架，评估18个多模态大语言模型在五种顺序扰动下的答案翻转率，发现所有模型均非顺序不变，最佳模型仍有13.4%翻转率，提示仅靠提示级缓解难以实现通用顺序鲁棒性。
Comments 22 pages, 4 figures, 5 tables
V-Zero: 无答案标签的在线策略蒸馏与对比证据门控用于细粒度视觉推理
机构 * SCU（四川大学）
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V-Zero框架，通过对比证据门控评估学生采样轨迹，无需答案标签即可实现细粒度视觉推理的在线策略蒸馏，训练速度比监督微调快5倍以上。
TriViewBench: 多视图结构推理中受控复杂度缩放
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
专题命中 视觉推理 ：visual reasoning(abstract)；visual question answering(abstract)；multimodal large language model(abstract)；MLLM(abstract_cn)
AI总结 提出TriViewBench基准，通过合成3D场景控制物体数量和遮挡，评估18个多模态大模型在多视图推理中的能力层次和性能退化，发现跨视图空间表示是瓶颈。
Comments 26 pages, 8 figures
物理问题场景图：文本到视频生成中物理合理性的细粒度评估
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； AI2（艾伦人工智能研究所） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出物理问题场景图（PQSG），一种基于层次化问题的评估流程，通过图结构问题检查视频在对象、动作和物理规律上的忠实度，实现细粒度评估。
Comments ECCV 2026. Code and data: https://github.com/atinpothiraj/pqsg
Geo-Strat-RL：从可验证任务中学习地质事件推理
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract_cn)；visual reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 提出Geo-Strat-RL合成环境，通过可验证奖励的强化学习（RLVR）训练视觉语言模型进行地质事件重建，并证明从地层图学到的推理可迁移至合成地震数据。
Comments 21 pages, 8 figures
MemDreamer: 通过分层图记忆和智能体检索机制解耦感知与推理以实现长视频理解
机构 * Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学） ； Central South University（中南大学） ； HKUST(GZ)（香港科技大学(广州)）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出MemDreamer框架，通过分层图记忆和智能体检索机制解耦感知与推理，将长视频理解转化为智能体探索过程，在四个基准上达到SOTA，推理上下文窗口仅占全量2%且准确率提升12.5点。
Falcon: X射线中组合推理的功能组装与语言
机构 * Khalifa University（哈利法大学）
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 针对X射线安检中威胁来自分散组件功能兼容性的问题，提出Falcon框架，通过结构化安全状态表示实现组合威胁推理，并构建Falcon-X基准验证其有效性。
Comments Accepted at ECCV2026; Project Page: https://yonathan-kiflom.github.io/FALCON/page/
面向低延迟视觉语言模型：在自我中心视觉理解中实现双重正确预测
机构 * Dolby Laboratories, Inc.（杜比实验室公司） ； University of Delaware（特拉华大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 针对人机协作中低延迟需求，提出基于双重正确预测的剪枝策略，在保持证据定位的同时提升预测准确性，在自我中心视频数据集上实现最高精度与双重正确性。
Comments International Conference on Intelligent Robots and Systems (IROS) 2026
ShutterMuse: 基于多模态大语言模型的拍摄时刻摄影指导
机构 * Fudan University（复旦大学） ； StepFun
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出CaptureGuide-Bench基准测试，评估MLLM在摄影师构图与主体姿态推荐方面的能力，并构建ShutterMuse统一模型，通过监督与强化微调实现最佳综合性能。
Comments Project Page:https://lijayutnt.github.io/ShutterMuse
HG-Bench: 自动作业批改中多页手写答案区域定位的基准
专题命中 视觉定位与Grounding ：grounding(title,abstract)；VLM(abstract_cn)；分类 cs.CV、cs.AI
AI总结 针对自动作业批改中多页手写答案区域定位的缺失评估，提出HG-Bench基准，包含500个带层级标注的样本，并设计页面感知评估协议，揭示现有模型在步骤级定位上的能力差距。
解耦语义与几何基础：面向语言条件模仿学习的空间视觉提示
机构 * Tsinghua University（清华大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； National University of Singapore（新加坡国立大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)
AI总结 提出SVP-IL解耦架构，通过视觉语言基础模型将指令解析为零样本几何掩码，生成空间视觉提示并注入连续动作生成器，在低数据条件下显著提升语言条件模仿学习的成功率。
USS: 面向具身视觉跟踪的统一空间-语义提示与潜在动力学学习
机构 * Nanyang Technological University（南洋理工大学）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.CV
AI总结 提出统一空间-语义提示范式替代纯文本目标指示，设计端到端框架USS支持多种提示类型，通过潜在世界模型提升时序鲁棒性，在真实机器人实验中优于纯文本方法。
通过ROI重思考与合成数据增强脑部MRI异常检测与推理
机构 * College of Biomedical Engineering, Fudan University（复旦大学 生物医学工程学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出BrReMark框架，通过显式区域标记和假设验证机制增强脑部MRI诊断的可信度，结合结构化推理轨迹的监督微调和强化学习，以及基于域随机化的病理合成增强，显著提升定位精度并减少幻觉。
FeVOS：前瞻性表达视频目标分割
机构 * Institute of Big Data, College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院大数据研究所）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 提出前瞻性表达视频目标分割任务，通过推理时空线索预测未来目标，并构建FeVOS数据集和FeVOS-R1模型，实现最先进性能。
Comments Accepted by ECCV 2026. Homepage: https://henghuiding.com/FeVOS/
PhaseWin：一种用于忠实视觉归因的高效搜索算法
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Shanghai Center for Mathematical Sciences, Fudan University（复旦大学上海数学中心） ； College of Electronic Science and Technology, National University of Defense Technology（国防科技大学电子科学学院） ； School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络空间安全学院）
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PhaseWin算法，通过分阶段窗口搜索将视觉归因的计算复杂度从O(n²)降至O(n)，在保持接近贪心算法忠实度的同时大幅减少模型评估次数。
Comments 26 pages, 29 figures
物理约束基础模型的智能体演化
机构 * University of Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出基于演化知识图谱的多智能体发现引擎，自动设计硬件兼容计算系统，在基础模型部署中演化出超越人工的压缩方法，实现大规模模型高效部署。
Comments 29 pages, 5 main figures and 4 extended data figures
基于检索的多语言LLM辅助工具用于岛屿小农户
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 针对偏远岛屿小农户获取农业建议困难且方言知识缺乏全球语料支持的问题，提出嵌入双语电商平台的对话AI助手Falco eleonorae，通过工具增强检索（MCP）获取本地化数据，实现可信的多语言、语音和图像交互。
Comments 13, 4
检索增强生成中的安全与隐私：构建可信系统的架构、威胁、防御与未来方向
机构 * Department of Electrical and Electronics Engineering（电子与电气工程系） ； Birla Institute of Technology and Science, Pilani, Pilani Campus（比拉理工学院和科学学院，比拉校区） ； Department of Computer Engineering, KIIT University（计算机工程系，KIIT大学） ； Quantum Cloud Computing and Distributed Systems (qCLOUDS) Laboratory（量子云计算与分布式系统（qCLOUDS）实验室） ； Department of Computing and Information Systems（计算与信息系统系） ； The University of Melbourne（墨尔本大学）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文综述了检索增强生成系统在集中式、设备端、联邦和混合范式下的隐私与安全挑战，提出了涵盖检索、上下文构建和生成阶段的统一威胁分类，并分析了攻击类别及防御策略。
银河系分词器指南：科学基础模型的基准测试
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本研究在统一transformer框架下比较四种分词策略对天文图像重建和物理属性预测的影响，发现重建与表征质量解耦，无单一方法全面最优。
Comments Accepted as a spotlight talk at the Conference on Physics and AI (PAI) 2026, Stanford University
IndicContextEval：评估8种印度语言音频大语言模型上下文利用能力的基准
机构 * AI4Bharat, Indian Institute of Technology Madras, India（AI4Bharat，印度理工学院马德拉斯分校） ； Sarvam AI, India（Sarvam AI，印度）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出IndicContextEval基准，包含8种印度语言555位说话人的56小时自然语音，通过7级提示框架评估音频大语言模型是否真正利用上下文而非依赖参数化知识。
Comments Accepted at Interspeech 2026
TASR：无需训练的迭代检索自适应停止规则
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出TASR，一种无需训练的迭代检索停止规则，通过重复答案检测和逻辑回归边际阈值减少冗余检索，在多种配置下保持高F1值并降低调用次数。
Comments 20 pages, 5 figures. Accepted at Agent4IR Workshop, KDD 2026
EPR论证与量子本体论的经典边界
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 通过希尔伯特空间经典力学将经典性归结为布尔性逻辑约束，指出EPR论证揭示的是其前提的经典边界而非量子不完备性，并基于观察环境与观察对象的结构二分提出一种语境依赖的量子本体论。
Comments 41 pages, corrected one mathematical equation, minor corrections and changes in the text
OCR推理有多鲁棒？评估视觉语言模型在视觉扰动下的OCR推理鲁棒性
机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MOE, China（教育部知识驱动人机智能工程研究中心） ； International Center of Future Science, Jilin University（吉林大学未来科学国际合作中心）
专题命中 文档图表理解 ：vision-language model(title,abstract)；VLM(summary_cn,abstract_cn)；分类 cs.CV
AI总结 提出OCR-Robust基准，通过5种扰动类型和3种严重程度评估18个VLM在OCR推理任务上的鲁棒性，发现高干净精度不保证强鲁棒性，图表比文档更脆弱。
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