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。
发票草垛：强视觉同质性下的文档检索与视觉问答基准测试
机构 * The University of Melbourne（墨尔本大学） ； Lakehead University（湖首大学）
专题命中 视觉问答 ：VLM(summary_cn,abstract)；visual question answering(title,abstract)；vision language model(abstract)；分类 cs.CV
AI总结 针对视觉同质文档集合中的检索困难，提出Invoice Haystack基准和VL-RAG混合检索框架，通过文本与视觉嵌入融合及VLM验证过滤，显著提升检索准确率。
Comments Accepted to presentation at ECCV 2026
ProMSA: 渐进式多模态搜索智能体用于基于知识的视觉问答
机构 * OPPO AI Center, OPPO Inc. China（OPPO AI中心，OPPO公司） ； The Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Nanyang Technological University, Singapore（新加坡南洋理工大学）
专题命中 视觉问答 ：visual question answering(title,abstract)；分类 cs.CV、cs.AI
AI总结 提出渐进式多模态搜索智能体ProMSA，通过迭代选择图像搜索、文本搜索或停止，在显式工具调用预算和去重机制下，结合序列级强化学习优化，提升基于知识的视觉问答的检索和端到端准确性。
通过平滑MMD对齐增强LLM中的数值预测
机构 * College of Computer Science, Sichuan University, Chengdu, China（四川大学计算机学院，成都，中国）
专题命中 视觉问答 ：VLM(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 针对LLM在数值预测任务中精度不足的问题，提出平滑最大均值差异（SMMD）方法，通过数值令牌的距离核和图平滑对齐预测分布，在数学推理等任务中显著提升准确率。
ReScene: 基于多视角图像的结构化室内场景重建
机构 * School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身智能研究院）
专题命中 视觉问答 ：vision-language model(abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 提出ReScene框架，通过层级视图选择和关系感知组装，解决多视角场景重建中跨视角关系融合与物理一致性难题，在ScanNet上实现几何、渲染和感知质量的最优性能。
AirGroundBench: 异构多视角具身协作下多模态大模型的空间智能探测
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； QiYuanLab（启元实验室） ； Tsinghua University（清华大学） ； University of Electronic Science and Technology of China（电子科技大学）
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出AirGroundBench基准，通过异构无人机-无人车协作的多视角任务（10类、约6.2万道视觉问答和115个导航任务），系统评估多模态大模型在空间感知、跨视角对齐、空间变换推理和具身决策中的几何一致性，发现模型在跨视角对齐和变换推理上存在瓶颈。
SingGuard: 一种策略自适应的多模态大语言模型护栏，具有动态推理能力
机构 * AI Security Lab, Ant Group（蚂蚁集团AI安全实验室）
专题命中 视觉问答 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出SingGuard，一种策略自适应的多模态护栏模型，通过将策略作为运行时输入，支持快速、混合和慢速推理模式，实现动态规则下的安全评估，在多个基准上取得最优F1。
KG2Cypher：面向构建企业文本到Cypher系统的数据驱动流水线
机构 * Sungkyunkwan University（成均馆大学） ； NAVER
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 提出KG2Cypher数据驱动流水线，从现有知识图谱生成可执行Cypher查询及对应自然语言问题，通过LoRA微调提升企业文本到Cypher转换的准确率。
Comments 11 pages, 2 figures, 10 tables
HumanMoveVQA：视频多模态大语言模型能否推理视频中的人类运动？
机构 * CVSSP, University of Surrey, Guildford, UK（萨里大学视觉、语音与信号处理中心，英国吉尔福德） ； Tesco, UK（乐购，英国）
专题命中 视觉推理 ：MLLM(summary_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出HumanMoveVQA基准，通过世界坐标系下的3D运动轨迹生成问答对，评估视频MLLM在全局轨迹和方向推理上的能力，发现现有模型存在显著差距。
EchoSonar-R: 一种用于超声心动图疾病分类和报告生成的多视图推理增强模型
机构 * Division of Computing and Mathematical Sciences, Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI), Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学计算与数学科学系，阿布扎比，阿联酋）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.LG
AI总结 提出EchoSonar-R，一种结合时空视频编码器和结构感知心脏检测器的多视图推理视觉语言模型，通过两阶段训练（监督微调+组相对策略优化）联合实现多标签疾病分类和报告生成，在私有数据集和公共基准上分别提升宏平衡准确率17.1%和6.1%。
可验证几何问题求解：求解器驱动的自动形式化与定理提出
机构 * Beijing Normal University（北京师范大学）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 提出SD-GPS框架，通过求解器驱动的自动形式化和可验证定理提出，解决几何问题求解中神经符号方法的瓶颈，在Geometry3K和PGPS9K上超越现有方法。
潜在视觉扩散推理与蒙特卡洛树搜索
机构 * Beijing Jiaotong University（北京交通大学） ； Virginia Commonwealth University（弗吉尼亚联邦大学） ； University at Buffalo（布法罗大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 提出LVDR框架，结合关键点引导的蒙特卡洛树搜索，实现细粒度技能活动的可解释视觉推理，在多个体育和手术数据集上取得竞争性表现。
Comments Accepted to ECCV 2026. Project page: https://github.com/XiruiTeng/LVDR_Official.git
Video-MME-Logical: 面向视频时序逻辑推理的受控诊断基准
机构 * HKUST（香港科技大学） ； Colab, Beihang University（北京航空航天大学合作实验室） ； CUHK（香港中文大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 为隔离评估多模态大模型在视频中的时序逻辑推理能力，提出包含五种时序逻辑操作和25个细粒度任务类别的受控基准，通过控制时间跨度和推理复杂度进行难度可控评估，并支持中间状态诊断。
视觉默认，先验覆盖：视觉-语言模型中感知-知识冲突的因果机制
机构 * University of Tübingen（图宾根大学） ； Harvard University（哈佛大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；grounding(abstract)
AI总结 通过激活修补和消融实验，发现VLM中视觉默认激活，而先验知识依赖少量因果注意力头（2.5-4.8%），形成不对称因果结构。
Comments 14 pages, 11 figures, 8 tables
面向低通道EEG智能体的边界感知上下文接地
机构 * Shanghai Pulse Element Intelligent Technology Co., Ltd. (NeuraDock)（上海脉冲元素智能科技有限公司（NeuraDock））
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI
AI总结 提出NeuraDock Agent架构，通过分离确定性本地EEG引擎与硬件感知语言层，实现LLM对低通道EEG数据的边界感知接地，经288次测试验证了系统在数值重复性、故障恢复和边界感知方面的有效性。
Comments 25 pages, 6 figures
拆除病理性捷径：忠实LVLM解码的因果框架
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Fox框架，通过视觉注意力熵探针定位风险中介头，利用数值logit饱和进行因果干预，并结合冲突门控协同解码，消除视觉语言模型中的对象幻觉，实现忠实解码。
Comments 29 pages, 25 figures. Accepted by ICML 2026
DMV-Bench: 通过偶然线索注入诊断长程多模态智能体的视觉记忆
机构 * Dartmouth College（达特茅斯学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出首个交互式多模态智能体视觉记忆基准DMV-Bench，基于双编码理论设计DualMem架构，在长链任务中优于现有方法。
Comments 16 pages
Look-Before-Move：动态3D故事世界中的叙事驱动世界视觉注意力
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出Look-Before-Move框架，通过语义观察合约、蒙特卡洛视点搜索和语义轨迹接地，在动态3D故事世界中实现叙事驱动的视觉注意力规划，提升主体感知、意图一致性和轨迹质量。
Comments 25 pages, 17 figures
内化未来：一种统一的世界模型规划智能体训练范式
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Tencent Youtu Lab（腾讯优图实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出一种三阶段训练范式（WM-AMT、FE-SFT、FC-RL），使LLM智能体内化世界模型以进行前瞻性规划，在搜索和数学推理任务上优于基线方法。
Qwen-Image-Agent：弥合真实世界图像生成中的上下文差距
机构 * Qwen-Image-Agent: Bridging the Context Gap in Real-World Image Generation（Qwen-Image-Agent：弥合现实世界图像生成中的上下文缺口）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出Qwen-Image-Agent框架，通过上下文感知规划和上下文接地，整合规划、推理、搜索、记忆和反馈，弥合用户上下文与生成上下文之间的差距，在IA-Bench等基准上达到最优性能。
SIGA: 用于科学模拟的自演化编码智能体适配器
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出SIGA适配器，通过检索、程序记忆、轨迹内验证和验证强制终止，将通用编码智能体转化为科学模拟软件操作员，在GEOS上实现36倍加速，并支持自演化提升性能。
GenWorld：用于可扩展LLM智能体研究的经验性城市模拟基础设施
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出GenWorld，一种结合合成城市、结构化接口和离线编译LLM决策信号为查找策略的经验性城市模拟基础设施，实现可扩展的LLM智能体研究。
Comments 27 pages, 24 figures. Code: https://github.com/Perseus1993/genworld. Project page: https://genworld1993.netlify.app/
LocalNav: 蒸馏前沿视觉语言模型与具身强化学习用于设备端物体目标导航
机构 * Center for Project-Based Learning（项目学习中心） ； Integrated Systems Laboratory（集成系统实验室）
专题命中 GUI与屏幕智能体 ：VLM(summary_cn,abstract)；vision language model(abstract)；grounding(abstract)
AI总结 提出蒸馏策略将大型VLM的空间语义推理迁移至轻量级本地VLM，结合E-RLVR与令牌生成正则化，在嵌入式设备上实现低延迟物体目标导航。
阶段至关重要：移动SoC上异构视觉-语言推理的特征分析
专题命中 GUI与屏幕智能体 ：VLM(summary_cn,abstract)；vision-language model(abstract)
AI总结 本文通过硬件在环实验，系统表征了移动SoC上VLM推理的阶段性特征，发现NPU执行高度依赖阶段，在预填充阶段加速1.64倍，解码阶段仅1.18倍，视觉编码器加速20-45倍，并展示了四步图重写方法使Phi-3.5-V等编码器获得22倍加速。
Comments 6 pages, 5 figures. Published in MobiSys Workshop '26
Journal ref In Proceedings of the 24th Annual International Conference on Mobile Systems, Applications and Services Workshops (MobiSys Workshop '26), June 21-25, 2026, Cambridge, United Kingdom. ACM, New York, NY, USA, 6 pages
丢弃-再恢复：视觉-语言-动作模型有多冗余？
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Cisco Research（思科研究院）
专题命中 GUI与屏幕智能体 ：VLM(abstract_cn)；grounding(abstract)；分类 cs.AI
AI总结 通过提出Drop-Then-Recovery分析协议和GateProbe敏感性指标，发现VLA模型中语言骨干高度冗余，而视觉和动作路径对移除更敏感。
直接动作头注入接地3D点实现空间与任务泛化
机构 * National Tsing Hua University（国立清华大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学）
专题命中 GUI与屏幕智能体 ：grounding(abstract)
AI总结 提出轻量级模块，将3D点表示的接地信号通过自适应层归一化直接注入VLA模型的动作头，在LIBERO-PRO上显著提升空间和任务泛化性能。
Aloe-Vision: 面向医疗保健的鲁棒视觉-语言模型
机构 * Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心（BSC））
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 提出Aloe-Vision系列医疗LVLM，通过大规模高质量多模态数据微调，在保持通用能力的同时提升医疗任务性能，并引入低污染基准CareQA-Vision，揭示当前模型在临床环境中的鲁棒性挑战。
Comments MIDL 2026
Journal ref Proceedings of Machine Learning Research, Vol. 315, pp. 2404-2426, 2026
大型语言模型教授视觉学生：细粒度概念知识的跨模态迁移
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出LaViD框架，利用语言模型生成多选题来蒸馏细粒度视觉概念，无需多模态数据，在多个基准上超越现有方法。
Comments Accepted by ICML 2026
Yuvion VL：面向对抗性内容和AI安全的多模态基础模型
机构 * Alibaba Security AGI Lab（阿里巴巴安全AGI实验室）
专题命中 幻觉与鲁棒性 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出Yuvion VL系列多模态大语言模型，通过对抗性感知数据合成、三阶段训练和混淆对比微调，在内容和AI安全任务上达到行业领先性能，同时保持通用能力。
JD Oxygen AI 商品中心 (Oxygen AIIC) V1：面向商品理解、管理和应用的工业级 LLM/VLM 解决方案
机构 * Oxygen AIIC（氧气AIIC）
专题命中 VLM训练与架构 ：VLM(title,title_cn)；分类 cs.AI
AI总结 针对电商平台海量SKU的知识生产与服务挑战，提出基于LLM/VLM的工业级平台Oxygen AIIC，通过本体工程、S2D知识识别架构、自进化模型和统一商品通道，实现高精度、高吞吐的知识生产，并在搜索、推荐等场景取得显著收益。
理解多模态大语言模型如何通过Token激活图描述艺术品
机构 * University of Bari Aldo Moro（巴里阿尔多莫罗大学） ； University of Zurich（苏黎世大学）
专题命中 VLM训练与架构 ：MLLM(abstract,abstract_cn)；visual reasoning(abstract)；grounding(abstract)；multimodal large language model(abstract)
AI总结 使用Token激活图（TAM）分析MLLMs在描述艺术品时对视觉区域的依赖，发现不同语义类别的token在视觉基础上有显著差异，并比较了TAM与SAM~3开放词汇分割。
Comments Accepted at PRESTIGE workshop at ICPR 2026
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