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。

2026-07-02 至 2026-07-02 共收录 3 篇信号源：cs.CV, cs.AI, cs.LG

1. 视觉问答 3 篇

2607.01086 2026-07-02 cs.CV cs.AI 新提交 81%

LongVQUBench：评估视觉语言模型的长期视频质量理解能力

Arpita Nema, Hanwei Zhu, Xi Zhang, Weisi Lin

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

2607.00159 2026-07-02 cs.CL cs.CV cs.IR cs.MM 新提交 77%

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

Qian Ma, S M Rayeed, Charles V. Stewart, Qiong Wu, Yao Ma

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

2603.11689 2026-07-02 cs.AI 版本更新 77%

显式逻辑通道用于验证和增强用于零样本任务的前沿多模态大语言模型

Mei Chee Leong, Ying Gu, Hui Li Tan, Liyuan Li, Nancy Chen

机构 * Institute for Infocomm Research (I$^2$R)（信息通信研究所）； Agency for Science, Technology and Research (A*STAR)（科技研究局）； Singapore（新加坡）

专题命中视觉问答：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI

AI总结本文提出显式逻辑通道用于验证和增强多模态大语言模型在零样本任务中的性能，通过显式逻辑推理提高模型的可解释性和可信度。

Comments Accepted to ECCV 2026