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。
FlameVQA: 一个基于辐射热监督的物理基础无人机野火VQA基准
机构 * National Science Foundation（国家科学基金会） ； NASA（美国国家航空航天局）
专题命中 视觉问答 ：MLLM(summary_cn,abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 提出FlameVQA，一个基于FLAME 3数据集的无人机野火多选视觉问答基准，利用配对的RGB和辐射热TIFF图像实现温度基础的推理，评估了多种MLLM在检测、定位、覆盖估计等任务上的表现。
你到底有多确定？改进医学视觉问答中的口头不确定性校准
机构 * Politecnico di Milano（米兰理工大学）
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 针对多模态大语言模型在医学VQA中过度自信的问题，提出基于复合损失函数的微调框架，通过校准项、锚定正则化、对比对齐和KL稳定项，将校准误差降低60%以上，判别力提升26%以上。
在自进化大型多模态模型中更加关注视觉标记
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Aalto University（阿尔托大学） ； Australian National University（澳大利亚国立大学） ； Linköping University（林雪平大学）
专题命中 视觉问答 ：visual reasoning(abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 提出VISE框架，通过几何不变性和语义不变性奖励直接正则化视觉条件策略，解决自进化LMMs中视觉欠条件问题，在无监督设置下提升视觉语言理解。
Comments ECCV 2026
DocArena：将原始文档转化为可控的训练环境用于文档搜索代理
机构 * Rochester Institute of Technology（罗切斯特理工学院） ； Adobe Research（Adobe研究院）
专题命中 视觉问答 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 提出DocArena自动化流程，通过多模态文档结构化、推理型QA对构建和质量控制，生成可控训练环境，使基于文本LLM的搜索代理在多模态文档检索和问答中取得最佳性能。
Comments search agent for documents
从结构到协同：多模态大语言模型中视觉-语言感知范式演进综述
机构 * School of Computer Science, Sichuan University（四川大学计算机学院） ； School of Electronic and Computer Engineering, Peking University Shenzhen Graduate School（北京大学深圳研究生院电子与计算机工程学院） ； Institute of Artificial Intelligence (TeleAI), China Telecom and Northwestern Polytechnical University（中国电信与西北工业大学人工智能研究院（TeleAI））
专题命中 视觉推理 ：multimodal large language model(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文系统综述多模态大语言模型中统一视觉-语言感知的范式演进，提出五阶段分类法，梳理各阶段代表性方法，并指出开放挑战与未来方向。
从幻觉到扎根：通过CRISP诊断视觉空间智能
机构 * Chalmers University of Technology（查尔姆斯理工大学）
专题命中 视觉推理 ：grounding(title)；VLM(abstract)；分类 cs.CV、cs.AI
AI总结 提出CRISP诊断范式，通过一致性评估解耦感知与推理，揭示闭源模型存在度量估计不准确和未利用隐式结构表示的问题，开源模型则受限于多跳组合推理能力。
Comments Accepted to ECCV 2026
CORTEX：用于可信3D胸部CT多模态大语言模型的结构化推理基准
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Hasso Plattner Institute（哈索·普拉特纳研究所） ； Khalifa University（哈利法大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出CORTEX基准，通过四阶段诊断推理轨迹和阶段级评估协议，为3D胸部CT多模态大语言模型提供结构化监督与验证，包含76,177个验证推理轨迹。
HarmVideoBench：大型多模态模型中有害视频理解的基准测试
机构 * Central South University（中南大学） ； Tsinghua University（清华大学） ； South China Normal University（华南师范大学） ； ByteDance Inc（字节跳动公司） ； University of Zaragoza（阿拉维达大学） ； CosmosMind ； Wuhan University（武汉大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Southeast University（东南大学） ； Tencent（腾讯公司） ； Nankai University（南开大学） ； Supermicro Computer Inc（Supermicro计算机公司） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出HarmVideoBench，一个包含1379个视频和4137道选择题的多层次诊断基准，从三个维度评估模型对有害视频的深层理解，并引入BCR方法将宏平均准确率从61.7%提升至84.4%。
位置重绑定缓存复用：交错多模态推理中无重放的视觉重访
机构 * Sun Yat-sen University（中山大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Harbin Institute of Technology (HIT)（哈尔滨工业大学） ； Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 提出位置重绑定缓存复用（PRCR）框架，通过重绑历史视觉KV缓存的位置坐标，实现无重放的高效视觉重访，在多个多模态推理基准上平均准确率提升5%，计算量减少数万倍。
Visual-OPSD：用于高效统一多模态推理的跨模态在策略自蒸馏
机构 * Xi’an Jiaotong University（西安交通大学） ； MOE KLINNS Lab（MOE KLINNS实验室） ； Shaanxi Province Key Laboratory of Big Data Knowledge Engineering（陕西省大数据知识工程重点实验室） ； Sun Yat-sen University（中山大学）
专题命中 视觉推理 ：VLM(abstract_cn)；分类 cs.CV
AI总结 提出Visual-OPSD方法，通过跨模态在策略自蒸馏，将多步扩散生成的可视化思维推理能力转移到纯文本学生模型，实现14.3倍加速且性能提升3.40个百分点。
多语言推理级联需要更多上下文
专题命中 视觉推理 ：grounding(abstract)
AI总结 提出上下文感知翻译级联方法，在最终翻译模块的上下文中保留原始问题、英文翻译问题和推理链，以改善多语言推理中的信息丢失，实验表明该方法在多种语言和模型上显著提升开放生成性能。
SSI-Policy: 学习用于视觉语言机器人操作的结构化场景接口
机构 * Southern University of Science and Technology（南方科技大学） ； Peng Cheng Laboratory（鹏城实验室） ； The University of Hong Kong（香港大学） ； LimX Dynamics
专题命中 视觉推理 ：grounding(abstract)
AI总结 提出SSI-Policy框架，通过统一的结构化场景接口（SSI）联合编码单目深度、语言锚定的物体布局和指令条件化的2D运动轨迹，实现从少量演示中学习机器人操作，在LIBERO基准上仅用10个演示即提升15%性能。
Comments Accepted by 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
TAVR-VLM：面向抗幻觉报告生成的风险条件因果基础
机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Liverpool（利物浦大学） ； Kunming University of Science and Technology（昆明理工大学）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 提出TAVR-VLM框架，通过风险条件因果注意力（R-CGA）建立“风险→区域→词”的结构化基础路径，在TAVR规划中减少诊断幻觉，实现新最优性能。
NegAS: 基于负标签引导的注意力与评分用于视觉语言模型的分布外目标检测
机构 * Northwestern Polytechnical University（西北工业大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 提出NegAS框架，利用负标签引导注意力（NegA）和基于sigmoid的OOD评分函数（NegS），解决VLM检测器中OOD区域利用不足和评分不兼容问题，显著提升OOD检测性能。
Comments Accept to ECCV 2026
伪文本条件3D Grounding DINO用于腹部CT器官定位
机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV
AI总结 提出CT-3GDINO，一种轻量级3D检测器，通过冻结伪文本类令牌替代真实文本编码器，实现腹部CT中五个器官的定位，在193个体积上达到0.5830 mAP。
Comments 24 pages, 17 figures
KG-TRACE：一种用于抗菌素耐药性预测的机制性基础神经符号框架
机构 * National Institute of Technology Kurukshetra（国立库鲁克舍特拉理工学院） ； Indian Institute of Information Technology Manipur（印度曼尼普尔信息技术学院） ； Purdue University（普渡大学） ； Indian Institute of Technology Indore（印度印多尔理工学院）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI、cs.LG
AI总结 提出KG-TRACE神经符号框架，融合WHO突变知识图谱与神经基因组模型，通过认知信任门动态加权，在结核分枝杆菌数据集上实现高准确率，并引入生物学基础比率（BGR）量化神经归因与生物学的对齐。
Comments 8 pages, 3 figures, conference
感知、判断与进化：基于事后洞察的自优化取证智能体用于AI生成图像检测
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出ForeAgent框架，采用感知-判断架构融合多视图线索，并引入事后洞察驱动的自优化策略，通过采样-反思-进化范式持续提升检测能力，在多个基准上达到最优性能。
Comments 10 pages
GAVEL：基于视觉定位的标题错误验证与定位
机构 * OMRON SINIC X Corporation（欧姆龙SINIC X公司）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract_cn)；grounding(abstract)
AI总结 提出GAVEL任务，联合解决图像-文本对的验证、解释和定位问题，构建数据集和基准，监督基线在定位和解释指标上持续改进。
Comments conference
WatchAct: 行为引导的机器人操作基准
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
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WatchAct基准，通过人类行为视频与指令配对，评估机器人对观察行为的推理能力，涵盖事件解析、程序推理、意图推断和情景记忆四个认知维度，实验显示现有系统性能远低于人类。
保持VIGILant：通过多模态大语言模型中的反事实视觉对齐缓解视觉懒惰
机构 * UAB（阿拉巴马大学伯明翰分校） ； Yale（耶鲁大学） ； UNSW（新南威尔士大学） ； Tulane（杜兰大学） ； Georgia Tech（佐治亚理工学院） ； NEU（东北大学） ； OSU（俄亥俄州立大学） ； UIowa（爱荷华大学） ； Harvard（哈佛大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 提出VIGIL框架，通过强化学习后训练最大化视觉输入与生成响应间的互信息，惩罚“盲目自信”实例，有效缓解MLLMs的视觉懒惰问题，在幻觉和推理基准上优于现有方法。
Comments ECCV 2026
置信度感知的工具编排用于鲁棒视频理解
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 针对视频推理模型盲目信任所有帧的问题，提出Robust-TO框架，通过每帧可信度评分、统一证据接口和三阶段合成机制，在八项任务上实现56.4%准确率，超越最强开源基线10.6%，并在五种真实扰动下保持54.3%准确率。
Comments Project page: https://rova-v2.github.io/
并非所有动作都同等重要：重新思考灵巧世界模型的条件化
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shenzhen University（深圳大学） ； Beijing University of Technology（北京工业大学） ； JD Explore Academy（京东探索研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 针对高自由度灵巧动作中不同分量重要性不均导致优化失衡的问题，提出DexAC-WM，通过动作标记化保留维度级语义，结合局部细化与全局调制对齐动作与视觉动态，并引入语义分支提供物体场景先验，显著提升视频预测的真实感和动作一致性。
See & Sniff: 学习视觉-嗅觉表征
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Hankuk University of Foreign Studies（韩国外国语大学） ； Ulsan National Institute of Science and Technology（蔚山科学技术院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出SmellNet-V数据集和See & Sniff自监督框架，通过密集局部对齐学习联合视觉-嗅觉表征，实现气味分类、跨模态检索和气味定位，性能提升7%。
Comments ECCV 2026. Project Page: https://mm.kaist.ac.kr/projects/SeeandSniff/
KARLA：基于知识库增强的语言模型检索
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出一种新方法，使LLM在生成过程中自动从知识库提取事实知识，支持知识更新、可追溯性和小模型的高事实准确性。
PressMimic: 压力引导的动作捕捉与控制用于人形机器人模仿
机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） ； Key Laboratory of Optoelectronic Devices and Systems with Extreme Performances of MOE, Nanjing University（南京大学极端性能光电技术与系统教育部重点实验室） ； BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出PressMimic框架，通过压力模态融合RGB估计3D姿态和全局运动，并利用压力监督策略实现物理一致的接触模式，提升人形机器人模仿的准确性和稳定性。
MKG-RAG-Bench：多模态知识图谱增强生成中的检索基准
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Michigan State University（密歇根州立大学） ； Dalian University of Technology（大连理工大学） ； Stony Brook University（石溪大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出MKG-RAG-Bench基准，通过构建跨领域多模态知识图谱和问答数据集，系统评估多模态知识图谱增强生成中的检索性能，揭示检索质量对生成结果的决定性作用。
Comments Accepted by KDD'26
ConflictScore: 识别和衡量语言模型如何处理冲突证据
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出ConflictScore指标，通过将回答分解为原子声明并与证据文档对比，量化模型对冲突证据的识别程度，实验表明该指标能有效检测过度自信声明并提升真实性。
GRAG：面向个性化对话系统的通用响应增强生成框架
机构 * North Carolina State University（北卡罗来纳州立大学） ； Lirio, Inc.（Lirio公司）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 提出GRAG框架，通过离线通用响应解耦内容基础与个性化，使小模型在资源受限环境中专注于个性化注入，性能提升显著。
基于开放数据、训练和评估的可扩展行为克隆
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出ABC开源行为克隆栈，包含最大遥操作数据集ABC-130K（3500小时/13万片段/195任务），并开源硬件、训练和仿真流程，通过协同训练实现仿真与真实评估关联，验证DiT和VLA模型设计，成功执行折纸盒、取信用卡等灵巧任务。
Comments 30 pages. Project page: https://abc.bot
Apple M4 Pro 上的残留 GPU 缓存状态
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文通过测量 Apple M4 Pro 上 GPU 命令完成后的缓存状态，发现大 GPU 足迹会导致后续 CPU 访问变慢，但第二次访问可消除大部分开销，表明存在残留共享缓存置换而非 DRAM 争用。
Comments 16 pages, 10 figures, 2 tables; ancillary artifacts included
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