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。
LongVQUBench：评估视觉语言模型的长期视频质量理解能力
机构 * Nanyang Technological University（南洋理工大学）
专题命中 视觉问答 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 提出LongVQUBench基准，包含1200+长视频和1500个问题，通过三级评估（局部、跨事件、全局）和针孔失真问答范式，揭示现有LVLMs在长视频质量理解上的局限性。
Comments Accepted at European Conference on Computer Vision 2026
识别和解决基于知识的VQA基准测试中的陷阱：审计、修复与增强
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； AT&T Chief Data Office（AT&T首席数据办公室）
专题命中 视觉问答 ：VLM(abstract_cn)；visual language model(abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 本文审计现有KB-VQA基准测试，发现答案缺失/矛盾、问题不明确和视觉场景简单等系统性问题，导致准确率指标误导模型排名；提出审计-修复协议和多重实体增强协议，重新评估后性能趋势显著变化。
Comments Accepted to ECCV 2026. The datasets and code are available in https://github.com/VAN-QIAN/ECCV26-ARA
MindEdit-Bench：基于野外照片的VLM中对象级反事实空间推理基准
机构 * ZODA ； Zhejiang University（浙江大学） ； Tongji University（同济大学） ； The University of Tokyo（东京大学）
专题命中 视觉推理 ：VLM(title_cn,summary_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出MindEdit-Bench基准，包含六项空间推理任务，其中两项新任务（L4和L5）测试对象级反事实推理，VLM平均准确率仅8%-31%，远低于人类的81%-97%。
Comments 18 pages, 7 figures. Dataset available at https://huggingface.co/datasets/ZODAOfficial/MindEdit-Bench
感知到推理：解耦感知与推理用于细粒度视觉推理
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 提出Perceive-to-Reason (P2R)框架，将细粒度视觉推理解耦为感知和推理两阶段，并引入PRA-GRPO强化学习策略，在多个高分辨率基准上显著提升性能。
Comments Code: https://github.com/ZJU-REAL/Perceive-to-Reason
非对称互变分学习实现多模态连续推理
机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对多模态大语言模型离散推理丢失感知细节及训练-推理不匹配问题，提出非对称互变分学习框架，通过双向KL散度校准先验与后验，缓解答案泄露，提升连续潜在推理性能。
ReShift: 视觉-语言模型上基于“啊哈时刻”驱动的推理级后门攻击
专题命中 视觉推理 ：vision-language model(title)；VLM(abstract_cn)
AI总结 提出ReShift框架，通过“啊哈时刻”驱动推理轨迹重定向，结合PRDC管道和SRJO策略实现隐蔽的后门攻击，理论保证熵反弹与轨迹发散的联系。
Comments ECCV 2026
PixelEyes: 解耦感知与推理以实现精准视觉证据查找
机构 * Wuhan University（武汉大学） ； UC Merced（加州大学默塞德分校） ； UTS（UTS大学） ； NUS（新加坡国立大学） ； NTU（南洋理工大学） ； CASIA（中国科学院自动化所）
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 针对多轮视觉推理中目标定位失败导致轨迹冗余的问题，提出PixelEyes，通过解耦推理与感知（推理器决定查找目标，专用感知工具定位），引入掩码引导视觉搜索和语义区域广度优先搜索，构建PixelEyes-6K数据集和Pinpoint-Bench基准，显著提升定位准确性。
Comments 22pages, 10 figures
文本到图像模型是归纳主义的火鸡吗？一个用于因果推理的反事实基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI 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 ：VLM(abstract,abstract_cn)；vision language model(abstract)；分类 cs.CV
AI总结 提出反事实基准CF-World，通过三个递进层级测试T2I模型在违反现实先验规则下的图像生成能力，发现所有模型在反事实设置下性能急剧下降，原因是模型将世界知识与视觉外观编码为紧密耦合的模式。
Comments 10 pages, 7 figures. Project page: https://github.com/jylei16/CF-World.github.io
VideoSearch-R1: 通过软查询细化实现迭代视频检索与推理
机构 * KAIST（韩国科学技术院） ； Korea University（高丽大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出VideoSearch-R1框架，通过软查询细化（SQR）在连续潜空间优化搜索查询，结合GRPO训练，实现大规模视频库的迭代检索与精确时序定位，性能达SOTA。
Comments Accepted to ECCV 2026
OmniView-Space: 通过多视角空间映射增强空间推理
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（厦门大学多媒体可信感知与高效计算教育部重点实验室） ； Tencent Youtu Lab（腾讯优图实验室） ； Beijing Institute of Technology（北京理工大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出OmniView-Space框架，通过多视角空间映射、工具引导的自我中心推理和认知图蒸馏，解决多模态大模型在多步空间推理中的参考框架动态重锚问题，在单/多图像基准上达到最优性能。
语言相对策略优化用于视频异常推理
机构 * Chongqing College of Artificial Intelligence（重庆人工智能学院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出语言相对策略优化（LRPO），通过从多个推理轨迹中提取群体相对语义优势，构建语言表达的异常经验先验，无需参数更新即可引导模型输出，在无调参设置下显著超越现有方法。
Comments Accepted at ICML 2026; 18 pages, 8 figures, 9 tables
协同感知-推理治理：用可验证解剖证据为医学多模态大语言模型提供基础
机构 * Huazhong University of Science and Technology（华中科技大学） ； Imperial Global Singapore, Imperial College London（帝国理工学院新加坡全球中心） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Anhui University（安徽大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；LLaVA(abstract,abstract_cn)；InternVL(abstract,abstract_cn)；MLLM(summary_cn)
AI总结 提出一种无需训练的证据注入框架，通过ROI引导的视觉激活调制和解剖坐标语义标记，协同校准视觉感知与文本推理，动态路由任务特定干预，有效减少医学MLLM的幻觉。
Comments Accepted by MICCAI 2026 (Early Accept, Top 9%)
EmbodimentSemantic：面向具身操作轨迹的空间场景图数据集与视觉语言模型基准
机构 * Politecnico di Torino（都灵理工大学） ； University College London（伦敦大学学院）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(title)；grounding(abstract)
AI总结 提出EmbodimentSemantic数据集与基准，通过场景图三元组评估VLM在具身操作中的空间关系理解，发现现有模型在深度感知和视角依赖关系上存在不足。
我在哪里？基于视觉-语言模型的语义地图定位用于多模态定位
机构 * IIT Gandhinagar（印度理工学院甘地讷格尔分校）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(title)
AI总结 将机器人定位重构为语义推理任务，使用微调的Qwen2.5-VL-7B模型融合摄像头、LiDAR和语义地图预测位姿，在室内数据集上达到98.23%位置精度，并展现出跨模态互补性和对新场景的泛化能力。
DART: 难度自适应路由用于零样本视频时间定位
机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Wuhan University（武汉大学） ； University of California, Merced（加州大学默塞德分校）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 提出DART方法，通过难度感知路由和结构化推理，利用DPP选择关键帧并评估难度，对简单查询快速预测，复杂查询使用时间标记提示分解定位，在零样本视频时间定位中取得SOTA性能。
Comments Accepted to the European Conference on Computer Vision (ECCV) 2026
通过视觉语言模型的上下文推理实现个性化物体识别与定位
机构 * Artificial Intelligence Department, Chung-Ang University（中央大学人工智能系）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出个性化物体识别与定位（POIL）任务，并设计IPLoc-ID算法，通过自问自答机制在拒绝无目标图像的同时保持定位性能。
GenAU: 基于语言的工业异常理解与视觉语言模型
机构 * Corporate Research, Robert Bosch GmbH（罗伯特·博世有限公司企业研究部） ； Otto-von-Guericke-University Magdeburg（马格德堡奥托·冯·格里克大学） ； University of Southampton（南安普顿大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；分类 cs.CV
AI总结 提出GenAU框架，统一图像级检测、像素级分割、多类型异常检测和缺陷分析，通过两个分割标记实现语言引导的定位，在VisA和Real-IAD上取得最优零样本检测性能。
DigitalCoach：人类与智能体计算机使用辅导中的沟通与基础差距
机构 * University of California, Berkeley（加州大学伯克利分校） ； Technical University of Munich（慕尼黑工业大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI
AI总结 提出DigitalCoach数据集，包含72次人机辅导会话，评估模型在计算机使用教学中的表现，发现模型在解释、错误诊断和视觉基础方面存在不足。
超越视觉取证：审计多模态鲁棒性用于合成医学图像检测
机构 * University of Notre Dame（圣母大学） ； IBM Research（IBM研究院） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） ； Optum AI, UnitedHealth Group（Optum AI, 联合健康集团）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对合成医学图像检测中多模态鲁棒性不足的问题，提出图像-记录配对基准，揭示视觉语言模型因过度依赖记录上下文而导致的预测偏差。
Comments Accepted at MICCAI 2026. Version 2 is a substantial journal extension of the MICCAI 2026 conference version, with additional provenance perturbations, paired statistical analysis, extended SAVC mitigation experiments, and broader deployment discussion. 19 pages, 3 figures, 2 tables
眼见为实：基于视觉锚点的提示重写对齐用于文本到图像生成
机构 * Peking University（北京大学） ； Tencent（腾讯） ； Dalian University of Technology（大连理工大学） ； Nanyang Technological University（南洋理工大学） ； University of Cambridge（剑桥大学） ； Zhejiang University（浙江大学）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出FaithRewriter框架，利用多模态大模型生成中间视觉线索，结合大语言模型生成视觉锚定的增强提示，再蒸馏至小模型，以缩小用户意图与生成图像之间的差距。
超越文档基础：代码、工具输出和文档上的跨度级幻觉检测
机构 * KR Labs（KR实验室） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； McGill University（麦吉尔大学） ； TU Wien（维也纳工业大学）
专题命中 视觉定位与Grounding ：grounding(title)
AI总结 提出一个统一的跨度级幻觉检测基准，涵盖代码、工具输出、结构化文档和自然语言RAG数据，通过微调Qwen3.5-2B模型在跨域场景下显著优于现有方法。
Comments 8 pages
从技术指标到用户感知：面向物体检测与抓取的多模态人机交互系统用户研究
机构 * Dalian University of Technology（大连理工大学）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI
AI总结 通过24名用户的受试内实验，验证了端到端任务成功率从75%提升至90%的技术改进能显著提升用户对速度、可靠性和整体能力的感知，且70.83%的用户偏好改进系统。
Comments 8 pages
面向大学利益相关者的多模态聊天助手开发：基于RAG的方法
机构 * Institute of Information and Communication Technology, Khulna University of Engineering & Technology（信息与通信技术研究所，库尔纳工程技术大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.AI
AI总结 针对大学利益相关者获取信息困难的问题，提出基于检索增强生成的多模态聊天系统，结合大语言模型与语义检索，支持文本和图像查询，将幻觉率从31.7%降至6.6%。
Comments Accepted at 2025 28th International Conference on Computer and Information Technology (ICCIT)
Journal ref 2025 28th International Conference on Computer and Information Technology (ICCIT)
探索智能体数据系统中的语义鸿沟：分析工作流中操作化失败的形成性研究
机构 * Megagon Labs（Megagon实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本研究通过跨领域分析236个分析意图，识别出153种反复出现的操作化失败，归纳为五类语义鸿沟，揭示用户分析概念与系统可用信息之间的差距，并提出未来智能体数据系统需要更丰富的语义表示。
个性化模型与基础模型的闭环耦合用于MRI实时治疗引导
机构 * Image X Institute, Sydney School of Health Sciences, Faculty of Medicine and Health, The University of Sydney, Sydney, Australia（悉尼大学医学与健康学院悉尼健康科学学院Image X研究所，悉尼，澳大利亚） ； GenesisCare, Sydney, Australia（GenesisCare，悉尼，澳大利亚） ； School of Clinical Medicine, Medicine & Health, University of New South Wales, Sydney, Australia（新南威尔士大学医学与健康学院临床医学系，悉尼，澳大利亚） ； Centre for Medical Radiation Physics, School of Mathematics and Physics, University of Wollongong, Wollongong, Australia（伍伦贡大学数学与物理学院医学辐射物理中心，伍伦贡，澳大利亚）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出一种闭环耦合框架，结合个性化时间预测模型与基础模型的连续分割解剖解释，实时补偿MRI引导治疗中的成像延迟，在400毫秒预测范围内改善解剖预测并减少剂量误差。
Comments 18 pages, 8 figures, 2 supplementary figures
FinPersona-Bench: 自主金融代理纵向心理测量稳定性的基准
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； The University of Tokyo（东京大学） ； McGill University（麦吉尔大学） ； The Fin AI（Fin AI公司） ； Kyoto University（京都大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出FinPersona-Bench基准，通过合成市场分离价格与价值，评估LLM金融代理在长期部署中指令显著性衰减现象，发现指令重固化的效果因代理类型和市场环境而异。
Comments 29 pages, includes figures and tables; formalizes Mandate Salience Decay and introduces FinPersona-Bench
如其所是：将LLM搜索评估与历史用户偏好对齐
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 提出行为锚定的LLM评判器，通过查询-相关性-印象卡引入历史用户交互证据，在音乐搜索评估中提升与用户偏好的斯皮尔曼秩相关约5%，并在多语言数据集上提高15%的相关性。
“别说出来！”：语言模型玩禁忌游戏时的约束、合规与沟通
机构 * Center for Language and Cognition (CLCG), University of Groningen（格罗宁根大学） ； University of Milano - Bicocca（米兰比可卡大学）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 研究语言模型在禁忌游戏中如何在严格词汇约束下生成有效描述，通过提示、生成时约束和内部表示操纵干预，评估合规性与沟通效果，发现模型在约束下表现弱于人类。
3D HAMSTER：通过3D轨迹引导在分层视觉语言动作模型中桥接规划与控制
机构 * Kim Jaechul Graduate School of AI, KAIST（韩国科学技术院金载哲人工智能研究生院） ； Graduate School of Artificial Intelligence, POSTECH（浦项工业大学人工智能研究生院） ； KRAFTON AI
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 提出3D HAMSTER框架，通过让规划器直接输出度量可靠的3D轨迹，弥合2D引导与3D低层策略之间的差距，在3D轨迹预测、仿真和真实操作中优于现有方法。
Comments Published in IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2026. Code: https://github.com/DAVIAN-Robotics/3D_HAMSTER. Project page: https://davian-robotics.github.io/3D_HAMSTER/
EgoGapBench：多智能体场景中自我中心动作选择的基准测试
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Sogang University（成均馆大学） ； Ministry of Science and ICT（科学技术信息通信部）
专题命中 GUI与屏幕智能体 ：MLLM(abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出EgoGapBench基准，用于评估多智能体场景中的自我中心动作选择能力，发现多模态大语言模型表现远逊于人类，且现有自我中心数据微调无法弥合差距。
Comments 15 pages, 2 figures, 8 tables. Code and benchmark are available at https://github.com/jhCOR/EgoGapBench
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