Diagnosing and Repairing Factual Errors in RAG under Budget Constraints
预算约束下RAG中事实性错误的诊断与修复
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出D2R-RAG框架，通过轻量级诊断和自适应修复，在预算约束下提升检索增强生成的事实性，实现准确性与效率的更好权衡。
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
1. 视觉定位与Grounding 41 篇
ViPSim: Collaborating Visual and Parameter Spaces for Consistent Long-Horizon Embodied World Models
ViPSim: 协同视觉与参数空间实现一致的长时程具身世界模型
机构 * Huawei Technologies Co., Ltd.（华为技术有限公司） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出ViPSim框架，通过协同视觉空间（显式空间先验）和参数空间（数值驱动）解决长时程视频生成中的轨迹漂移和不一致问题，实现高保真具身世界模型。
Comments Accepted to Robotics: Science and Systems (RSS) 2026
HyphaeDB: A Living Knowledge Topology for Agent-First Memory
HyphaeDB: 面向智能体优先记忆的活知识拓扑
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出HyphaeDB，一种将HNSW图拓扑重新解释为多智能体通信结构的记忆基础设施，通过八卦协议和能量衰减实现知识传播，支持矛盾检测、模式结晶和共识形成等涌现行为。
Tool Use Enables Undetectable Steganography in Multi-Agent LLM Systems
工具使用使多智能体LLM系统中的隐写术无法检测
机构 * Oxford University（牛津大学） ； Artificial Intelligence Security Institute (AISI)（人工智能安全研究所）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文研究多智能体AI系统中通过工具使用（如代码执行、网络搜索）实现无法检测的隐写通信，发现智能体可自适应构建隐写系统，并提出协调度量评估无事先约定的隐写协调风险。
How Do LLMs Cite? A Mechanistic Interpretation of Attribution in Retrieval-Augmented Generation
LLM如何引用？检索增强生成中归因的机制解释
机构 * University of Amsterdam（阿姆斯特丹大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 通过激活修补方法，发现LLM的引用机制并非单一组件，而是由注意力头和MLP层组成的分布式“归因集成”，调控这些组件可修复大部分错误引用。
Comments This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this contribution is published in Advances in Information Retrieval, ECIR 2026, Lecture Notes in Computer Science, vol. 16485, pp. 458-473, and is available online at https://doi.org/10.1007/978-3-032-21324-2_35
Journal ref Advances in Information Retrieval, ECIR 2026. Lecture Notes in Computer Science, vol. 16485, pp. 458-473. Springer, Cham (2026)
LaVPR: Benchmarking Language and Vision for Place Recognition
LaVPR：语言与视觉用于位置识别的基准测试
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 LaVPR通过引入超过65万条自然语言描述扩展现有VPR数据集，研究多模态融合与跨模态检索，证明语言描述在视觉退化条件下提升性能，尤其对小模型效果显著。
Comments Accepted to ECCV
ECHO: Learning Epistemically Adaptive Language Agents with Turn-Level Credit
ECHO：基于回合信度的认知自适应语言智能体学习
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出认知决策过程（EDP）框架，通过回合级信度分配策略梯度目标ECHO，在证据寻求任务中提升智能体的信息获取效率与认知校准能力。
Why Do We Need Travel Behavior Theory in the Age of AI? Multiple Goal Pursuit as an Illustrative Theory
为什么在人工智能时代我们需要出行行为理论？以多目标追求为例
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文以目标追求理论为例，论证行为理论在出行行为研究中是预测的必要补充，通过活动调度、车辆拥有和位置选择三个应用展示其优势，并提供实施指导。
A French OSCE Dialogue Dataset and Controllable Virtual Patient System for Clinical Training
用于临床训练的法国OSCE对话数据集和可控虚拟患者系统
机构 * Lorraine Université, CNRS, Inria, LORIA（洛林大学、法国国家科学研究中心、法国国家信息与自动化研究所、LORIA实验室） ； Avignon Université, LIA, UPR 4128（阿维尼昂大学、LIA、UPR 4128）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 为解决医学培训中标准化病人稀缺问题，构建法语OSCE对话数据集，并提出基于LLM的可控虚拟患者生成管道，通过检索增强和反思循环提升真实性与一致性，实验表明可控性模块改善患者保真度和学生评估一致性。
Comments 9 pages. Accepted at SIGDIAL2026
Intent-Driven 6G Service Orchestration: Grounded Translation, Validation, and Decomposition
意图驱动的6G服务编排：基于目录的翻译、验证与分解
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出一个三阶段智能体工作流，通过语义服务目录、SHACL验证和约束满足分解，实现6G意图驱动编排，在930次基准测试中成功率达97%，并减少26%的对抗性幻觉。
Comments AI4NextG @ ICML'26 Workshop on AI and ML for Next-Generation Wireless Communications and Networking
DRIVE-Nav: Directional Reasoning, Inspection, and Verification for Efficient Open-Vocabulary Navigation
DRIVE-Nav: 方向推理、检查与验证以实现高效的开放词汇导航
机构 * Beijing Institute of Technology（北京理工大学） ； DeepBlue College（深蓝学院） ； The National Key Laboratory of Autonomous Intelligent Unmanned Systems (KAIUS), School of Automation（自主智能无人系统全国重点实验室（KAIUS），自动化学院）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 DRIVE-Nav通过方向化探索框架提升开放词汇导航效率，通过方向检查和验证减少冗余路径，实验显示在HM3D-OVON等数据集上性能优越。
Comments 8 pages, 4 figures. Project page: https://coolmaoguo.github.io/drive-nav-page/
The Future is Agentic: Definitions, Perspectives, and Open Challenges of Multi-Agent Recommender Systems
未来是代理的：多代理推荐系统定义、视角和开放挑战
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文探讨多代理推荐系统从被动生成到主动规划的转变，提出基于状态代理的框架，分析其在提升推荐效果中的作用，并通过实验验证代理系统在不同场景下的有效性。
Comments Added controlled experiments to illustrate the points of the paper. Also edited for more clarity in conveying the concepts
2. 文档图表理解 4 篇
Can OCR-VLMs Read Devanagari? A Stress-Test Benchmark and Post-Correction Study
OCR-VLM能阅读天城文吗？一项压力测试基准与后纠正研究
专题命中 文档图表理解 ：VLM(title_cn,summary_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本研究通过合成退化条件和真实扫描图像，系统评估了10种OCR系统在天城文（印地语）上的表现，发现专用OCR-VLM在退化条件下最脆弱，真实扫描性能远低于合成文本，并提出了错误分类和后纠正方法。
Comments 9 pages, 5 figures. Benchmark and code released
HSD: Training-Free Acceleration for Document Parsing Vision-Language Models with Hierarchical Speculative Decoding
HSD：基于分层推测解码的文档解析视觉语言模型训练免费加速
机构 * South China University of Technology（华南理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shenzhen Institute of Advanced Technology, CAS（中国科学院深圳先进技术研究院） ； Nanjing University（南京大学）
专题命中 文档图表理解 ：vision-language model(title)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出HSD分层推测解码框架，通过轻量级管道起草器预测区域划分并生成粗稿，分阶段验证以保持全文连贯性，实验证明在文档解析任务中实现显著加速。
Comments ECCV 2026
StrucTab: A Structured Optimization Framework for Table Parsing
StrucTab: 一种用于表格解析的结构化优化框架
专题命中 文档图表理解 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出StrucTab框架，通过中间结构监督和奖励分解优化表格解析，在多个基准上达到最优性能。
Making Multimodal LLMs Reliable Chart Data Extractors: A Benchmark and Training Framework
使多模态大语言模型成为可靠的图表数据提取器：一个基准和训练框架
机构 * Zhejiang University（浙江大学） ； Guangdong University of Technology（广东工业大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 针对多模态大语言模型在图表数据提取中数值精度不足的问题，提出渐进式学习训练框架，显著提升7B参数模型的准确率，达到最优性能。
Comments Accepted at CHI'26
3. GUI与屏幕智能体 14 篇
Vision-Language Models for Deployable Social Robot Navigation: Bridging Semantic Reasoning and Low-Level Control
面向可部署社交机器人导航的视觉-语言模型：弥合语义推理与低级控制
机构 * Graduate School of Information Science and Technology, Hokkaido University（弘前大学信息科学与技术研究生院） ； Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）
专题命中 GUI与屏幕智能体 ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；grounding(abstract)
AI总结 本文综述了将视觉-语言模型（VLM）集成到社交机器人导航中的方法，提出包含高层推理、低层控制及中间机制的统一框架，并讨论了关键挑战与未来方向。
One Forward Beats Two: InnerZoom for Accurate and Efficient GUI Grounding
一次前向胜过两次：InnerZoom 实现准确高效的 GUI 定位
机构 * Alibaba Group（阿里巴巴集团） ； Tongyi Lab（通义实验室） ； University of Technology Sydney（悉尼大学） ； Adelaide University（阿德莱德大学）
专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 提出 InnerZoom 框架，通过跨层证据桥接在单次前向传播中实现精确 GUI 元素定位，无需额外裁剪重跑，在六个基准上达到最优性能，同时降低延迟和计算量。
Conformal Predictions for Human Action Recognition with Vision-Language Models
基于视觉-语言模型的人类动作识别中的置信域预测
机构 * ICTEAM, UCLouvain（鲁汶大学（法语区）ICTEAM研究所）
专题命中 GUI与屏幕智能体 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV、cs.AI
AI总结 本文探讨了如何利用置信域预测技术提升基于视觉-语言模型的人类动作识别系统可靠性，通过调整softmax温度参数减少候选类别数量，缓解长尾分布影响。
Comments 6 pages, 7 figures, Accepted to ICIP 2025 Workshops
Journal ref 2025 IEEE International Conference on Image Processing Workshops (ICIPW)
FutureNav: Unified World-Action Modeling for Vision-and-Language Navigation
FutureNav: 面向视觉与语言导航的统一世界-动作建模
机构 * Tsinghua University（清华大学） ； Pengcheng Laboratory（鹏城实验室） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Xiaomi EV（小米电动车） ； National University of Singapore（新加坡国立大学）
专题命中 GUI与屏幕智能体 ：VLM(summary_cn,abstract)；vision-language model(abstract)
AI总结 提出FutureNav，一种基于VLM的统一世界-动作建模框架，通过联合优化动作策略、逆/前向动力学和未来状态预测四个目标，在4B规模骨干上实现多VLN基准的最优性能。
EfficientUICoder: A Bidirectional Token Compression Framework for Efficient MLLM-Based UI Code Generation
EfficientUICoder: 一种用于高效基于多模态大语言模型的UI代码生成的双向标记压缩框架
机构 * The Chinese University of Hong Kong（香港中文大学） ； Huazhong University of Science and Technology（华中科技大学） ； Singapore Management University（新加坡管理大学） ； Nanyang Technological University（南洋理工大学）
专题命中 GUI与屏幕智能体 ：MLLM(title)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出EfficientUICoder，通过元素和布局感知标记压缩、区域感知标记精炼和自适应重复标记抑制，有效压缩UI代码生成的标记数量，提升生成效率和代码质量。
Comments Published in the Proceedings of the 2026 ACM International Conference on the Foundations of Software Engineering (FSE 2026)
Bridging VideoQA and Video-Guided Agentic Tasks via Generalized Keyframe Extraction
通过通用关键帧提取桥接VideoQA和视频引导的智能体任务
专题命中 GUI与屏幕智能体 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出VG-GUIBench基准和TASKER关键帧提取算法，联合考虑任务相关性和场景动态，在VideoQA和视频引导的GUI任务上提升性能。
Comments Accepted by ECCV 2026. Project Page: https://vg-gui-tasker.github.io/
Grounding Sim-to-Real Generalization in Robotic Manipulation: An Empirical Study with Vision-Language-Action Models
在机器人操作中建立仿真到现实泛化：基于视觉-语言-动作模型的实证研究
机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 GUI与屏幕智能体 ：grounding(title)；分类 cs.AI
AI总结 本文通过四个维度探讨仿真到现实泛化的决定因素，提出评估协议并释放资源以建立标准化基准，提升机器人操作策略的泛化能力。
Pause and Think: A Dataset and Benchmark for Video-Grounded Assistive Action Suggestion
暂停与思考：面向视频基础辅助动作建议的数据集与基准
机构 * Advanced Micro Devices, Inc.（先进微器件公司）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出 pause-and-think-T 数据集和 pause-and-think-B 基准，通过推理监督训练紧凑模型，在视频场景理解与目标规划任务中达到与大型模型相当的性能。
Comments Accepted in IROS 2026 (IEEE/RSJ International Conference on Intelligent Robots and Systems)
Efficient-VLN: A Simple yet Strong Baseline for Efficient Vision-Language Navigation
Efficient-VLN: 一种高效且强大的视觉语言导航基线
机构 * The Chinese University of Hong Kong（香港中文大学） ； Weitu AI
专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 Efficient-VLN通过三个简单有效机制解决视觉语言导航中的系统瓶颈，提升推理效率和训练稳定性，在R2R-CE和RxR-CE基准上取得新突破。
OLiVia-Nav: An Online Lifelong Vision Language Approach for Mobile Robot Social Navigation
OLiVia-Nav: 一种面向移动机器人社交导航的在线终身视觉语言方法
机构 * University of Toronto（多伦多大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；VLM(abstract)
AI总结 OLiVia-Nav通过融合视觉语言模型与在线终身学习框架，实现机器人社交导航中的社会规范适应与动态轨迹规划，优于现有方法。
GUICrafter: Weakly-Supervised GUI Agent Leveraging Massive Unannotated Screenshots
GUICrafter: 利用海量无标注截图的弱监督GUI智能体
机构 * Tsinghua University（清华大学） ； Tencent Hunyuan（腾讯文脉）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出GUICrafter，一种利用海量无标注截图通过课程学习框架训练GUI智能体的弱监督方法，显著降低对人工标注的依赖，在极少量标注数据下性能超越UI-TARS等先进系统。
RadarTwin: Scene-Specific mmWave Radar Simulation and Learning for Mobile Indoor Perception
RadarTwin：面向移动室内感知的场景特定毫米波雷达仿真与学习
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV、cs.LG
AI总结 提出RadarTwin框架，利用3D重建和视觉语言模型推断材料属性，通过物理射线追踪合成FMCW雷达数据，解决雷达数据稀缺问题，仿真训练模型在真实场景中识别物体准确率达95.3%。
CAPTCHA Solving for Native GUI Agents: Automated Reasoning-Action Data Generation and Self-Corrective Training
针对原生GUI代理的CAPTCHA解决：自动化推理-行动数据生成与自我纠正训练
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ReCAP，一种能解决现代交互式CAPTCHA挑战的原生GUI代理，通过自动化数据生成和自我纠正训练提升CAPTCHA解决能力，同时保持通用GUI任务性能。
Comments Accepted to ICML 2026
STEMGym: Benchmarking Sequential Decision-Making under Dose Budgets in Autonomous Electron Microscopy
STEMGym: 自主电子显微镜中剂量预算下的序列决策基准测试
机构 * Dept. of Electrical & Computer Eng.（电气与计算机工程系） ； Texas A&M Univ.（德克萨斯A&M大学） ； Dept. of Prosthetics & Orthotics（假肢与矫形学系） ； College of Science & Eng.（科学与工程学院） ； Ankara Univ.（安卡拉大学） ； Hamad Bin Khalifa Univ. and Texas A&M Univ. at Qatar（哈马德·本·卡西姆大学和德克萨斯A&M大学（卡塔尔））
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.LG
AI总结 通过15个物理模拟的STEM环境基准，发现感知管道（CNN分析师）是剂量效率的主要决定因素，而非导航策略，为自主电子显微镜的机器学习投入方向提供新视角。
