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。
CaST-Bench：面向视频问答的因果链时空推理基准
机构 * Woven by Toyota（丰田公司） ； The University of Tokyo（东京大学）
专题命中 视觉问答 ：vision-language model(abstract)；VLM(abstract_cn)；grounding(abstract)；分类 cs.CV
AI总结 提出CaST-Bench基准，通过构建包含因果链时空标注的数据集和评估指标，系统评测视觉语言模型在视频因果推理中的细粒度证据定位能力。
Comments CVPR 2026
离散扩散语言模型用于交互式放射报告草稿生成
机构 * Stanford University School of Medicine（斯坦福大学医学院） ； Ghent University（根特大学） ； Stanford University（斯坦福大学）
专题命中 视觉问答 ：vision-language model(abstract)；visual question answering(abstract)；分类 cs.AI、cs.LG
AI总结 提出将离散扩散语言模型用于放射报告草稿生成，利用其任意顺序填充能力实现交互式编辑，在医学VQA任务上达到或超越自回归模型，解码速度快3.5-4.4倍。
SEPS：面向细粒度跨模态对齐的语义增强补丁精简框架
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出SEPS框架，通过两阶段机制整合稠密与稀疏文本语义，识别显著视觉补丁，并利用相关性感知选择与均值计算突出关键补丁-词对应，提升跨模态相似度评估，在Flickr30K和MS-COCO上rSum提升23%-86%。
Wiki-R1: 通过数据和采样课程激励基于知识的多模态推理用于VQA
机构 * ShanghaiTech University（上海科技大学） ； Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程研究中心） ； Lingang Laboratory（临港实验室）
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Wiki-R1框架，通过可控课程数据生成和课程采样策略，结合强化学习激励MLLMs在KB-VQA中的推理能力，在Encyclopedic VQA和InfoSeek上取得新SOTA。
Comments Accepted by ICLR 26, code and weights are publicly available
MedStreamBench: 面向流式与主动式医疗视频理解的时间感知基准
机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出MedStreamBench基准，通过时间受限证据窗口和主动监控设置，评估模型在流式与主动式医疗视频理解中的回答时机与正确性，发现离线识别与时间感知决策间存在显著差距。
Comments 10 Pages, 5 Figures
EAGLE-360: 360°环境中的具身主动全局到局部探索
机构 * Zhejiang University（浙江大学） ； Central China Normal University（华中师范大学）
专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 针对多模态大模型在360°全景主动视觉搜索中因极地畸变和连续拓扑建模不足导致的效率低下问题，提出EAGLE-360框架，通过全局先验引导局部探索，结合RoPE Rolling位置编码和GRPO训练，实现近8倍精度提升。
Comments Preprint
InduceKV: 通过诱导KV记忆实现多模态大语言模型的固定足迹持续适应
机构 * Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区）
专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 提出InduceKV方法，通过检索将训练前缀存储为注意力就绪的记忆条目，在固定内存预算下实现多模态大语言模型的持续适应，无需更新骨干模型。
教视觉-语言-动作模型看什么和看哪里
机构 * School of Electronic Information Engineering, Beihang University（北京航空航天大学电子信息工程学院） ； National College for Excellent Engineers, Beihang University（北京航空航天大学卓越工程师学院） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； DiDi（滴滴出行） ； State Key Laboratory of Media Convergence and Communication, Communication University of China（中国传媒大学媒体融合与传播国家重点实验室） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； School of Cyber Science and Technology, Beihang University（北京航空航天大学网络安全科学与技术学院） ； School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 提出DriveTeach-VLA框架，通过驾驶感知视觉蒸馏和2D轨迹引导提示，教VLA模型关注驾驶相关区域，实现端到端自动驾驶轨迹预测，在NAVSIM和nuScenes上达到最优性能。
Comments The paper has been accepted by ECCV 2026
ForeSea：面向视频监控的多模态查询AI取证搜索
机构 * Qualcomm AI Research（高通人工智能研究）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV
AI总结 针对监控视频中多模态查询与时间定位难题，提出ForeSea系统，采用三阶段即插即用流程，结合跟踪、多模态嵌入和视频LLM，在ForeSeaQA基准上准确率提升3.1%，时间IoU提升10.1%。
Comments ECCV2026
关于视觉-语言模型的测试时扩展
机构 * ETRO Department, Vrije Universiteit Brussel（布鲁塞尔自由大学ETRO部门） ； imec
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 本文系统研究了视觉-语言模型（LVLM）的测试时扩展方法，发现小型高性能模型受益最大，性能提升可达30%，并揭示了视觉信息在推理链早期编码后图像令牌贡献显著下降。
Comments ECCV 2026
多模态大语言模型是否需要推理来从语音中分类痴呆症？
专题命中 视觉推理 ：multimodal large language model(title,abstract)
AI总结 本文评估了多模态大语言模型在自动痴呆症分类中的推理能力，发现基于文本理由的策略会导致幻觉和不一致，并提出DeTAiL框架，通过非线性适配器和强化学习利用内部表示，在两个数据集上优于基线方法。
MMIR-TCM：面向中医临床决策支持的记忆集成多模态推理与检索
机构 * Institute of Biopharmaceutics and Health Engineering, Tsinghua Shenzhen International Graduate School（清华深圳国际研究生院生物医药与健康工程研究院） ； Chinese Medicine Guangdong Laboratory（广东省中医药实验室） ； Beijing Normal University（北京师范大学） ； First Hospital of Hebei Medical University（河北医科大学第一医院） ； Lishui Hospital of Zhejiang University（浙江大学丽水医院） ； XiaoMing TCM Hospital（小明中医医院）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 提出MMIR-TCM框架，结合多模态大模型、记忆增强分割与检索增强生成，解决中医舌诊中的主观性和语义鸿沟问题，在MedTCM数据集上优于GPT-4o等模型。
群体跟随机器人的自适应陪伴：处理动态变化的群体编队
机构 * National Cheng Kung University（国立成功大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 提出基于视觉语言模型的自适应群体陪伴方法，通过语义推理推断同伴位置、维持社交距离并理解群体动态，结合MPPI控制器实现稳定安全跟随，在五个场景中成功率提升15%，碰撞率降低25%。
Comments Accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
在思考之前，先学会决策：面向高效视觉推理的主动路由
机构 * Xi’an Jiaotong University（西安交通大学） ； ARC Lab, Tencent IEG（腾讯IEG ARC实验室） ； City University of Hong Kong（香港城市大学） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Harvard University（哈佛大学） ； Nanjing University（南京大学）
专题命中 视觉推理 ：visual reasoning(title)
AI总结 提出主动路由范式PRP，通过联合评估草稿模型和目标模型的能力，实现早期决策，加速多模态推理而不牺牲性能。
Comments 36 pages, 20 figures
SpaceEra++: 面向视频中3D空间推理的统一框架
机构 * School of Information Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）信息科学与技术学院） ； Shenzhen Loop Area Institute（深圳河套学院） ； School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） ； Pengcheng Laboratory（鹏城实验室） ； School of Computer Science and Technology, Shandong Jianzhu University（山东建筑大学计算机科学与技术学院） ； Zhongguancun Academy（中关村学院） ； City University of Hong Kong（香港城市大学）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出SpaceEra++框架，通过ScenePick帧采样策略缓解输入不足，并利用SpaceAlign对齐绝对坐标与相对空间关系增强推理，在多个基准上超越强基线。
Comments Accepted by IEEE TPAMI 2026
TimeChat-Captioner: 用时间感知和结构化的音视频字幕脚本化多场景视频
机构 * South China University of Technology（华南理工大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队）
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出Omni密集描述任务，通过六维结构模式生成带时间戳的类脚本描述，构建OmniDCBench基准和SodaM评估指标，训练TimeChat-Captioner-7B模型，在音视频推理和时间定位任务上超越Gemini-2.5-Pro。
学习演化场景：用场景图推理人类活动
机构 * Politecnico di Torino（托斯托大学）
专题命中 视觉推理 ：MLLM(abstract_cn)；分类 cs.CV
AI总结 提出SG-Ego标注集和GLEN模型，通过时空场景图显式建模人-环境交互的动态演化，实现活动驱动的场景变化推理与预测。
Comments Project page at https://francescapistilli.github.io/GLEN
EduArt：评估大型语言模型艺术史知识的教育级基准
机构 * University of Bologna（博洛尼亚大学） ； Villa i Tatti – The Harvard University Center for Italian Renaissance Studies（哈佛大学意大利文艺复兴研究中心（I Tatti）） ； University of Copenhagen（哥本哈根大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 提出EduArt基准，包含871道人工出题的艺术史题目，评估多模态大模型在不同格式和语言下的知识掌握与推理能力，发现格式显著影响表现，多选题高估模型能力。
超越热力图：面向可解释视觉的无监督概念图推理
机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Saarland University（萨尔大学） ； Oldenburg University（奥尔登堡大学） ； BEGO GmbH & Co. KG（BEGO有限两合公司）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 提出G-CBM模型，通过非负矩阵分解无监督发现概念，构建图像级概念图，利用图注意力网络进行概念级推理，在多个数据集上平均AUC提升3.7%。
Comments Accepted at the IJCAI-ECAI 2026 Workshop on Explainable Artificial Intelligence (XAI), Bremen, Germany. 7 pages, 4 figures
通过语言与符号表示之间的模态切换进行空间推理
机构 * Michigan State University（密歇根州立大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 研究多跳文本空间故事中，将语言推理切换到几何感知模态（如布局或网格）能否提升推理性能，并提出基于可信度和复杂度的切换指标，实现原则性模态选择，使LLM性能提升高达42%。
Omni-DuplexEval: 评估实时双工全模交互
机构 * Tsinghua University（清华大学） ； Tongji University（同济大学） ； ModelBest Inc.（ModelBest公司）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出Omni-DuplexEval基准，用于系统评估实时双工交互能力，通过两个互补场景评估模型生成连续响应和主动提醒的能力，并揭示现有模型在平衡响应及时性和内容连贯性方面的局限性。
Comments 21 pages, 6 figures
超越文本仓库探索：面向智能体问题解决的双模态结构推理
专题命中 视觉推理 ：visual reasoning(abstract)
AI总结 提出DUALVIEW框架，通过模块耦合图、函数调用图、类层次图和程序依赖图四种图视图，结合视觉与文本响应，使智能体在仓库探索中直接推理代码依赖结构，提升长时域问题解决性能。
从答案生成器到推理促进者：为高风险环境中的数学推理设计AI导师
专题命中 视觉推理 ：grounding(abstract)
AI总结 本研究设计并部署了AITutor系统，通过分层工作示例、步骤链接视觉基础和元认知支架等功能，帮助初中生在高压考试中从被动获取答案转向主动修复推理过程，提出了以推理为中心的产品循环。
基于LVLM的机器人系统中的过度思考触发慢速攻击
专题命中 视觉推理 ：vision-language model(abstract)
AI总结 研究利用LVLM的过度思考行为，通过嵌入场景文本触发推理延迟，提出三阶段框架发现可迁移触发词，实验显示最高6.96倍延迟放大。
Comments 17 pages, 10 figures
模拟有效性：在MLLM生成的科学图表反馈中的模态解耦
机构 * University of Georgia, AI4STEM Education Center（佐治亚大学AI4STEM教育中心） ； Gazi University, Department of Mathematics and Science Education（加齐大学数学与科学教育系）
专题命中 视觉定位与Grounding ：MLLM(title,title_cn)；grounding(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 研究探讨了多模态大语言模型生成的科学图表反馈中模态解耦问题，发现反馈常存在 grounding 失败，表明需超越常规提示策略的 grounding 机制。
Comments Accepted as AIED Short Paper 2026, Seoul, South Korea. Submission #1147. This is the long paper version
AnyGroundBench: 视觉语言模型中视频定位的专业领域基准
机构 * Keio University（庆应大学） ； Keio AI Research Center（庆应人工智能研究中心） ； Keio University School of Medicine（庆应大学医学部） ； NVIDIA（英伟达）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(title,abstract)；VLM(summary_cn,abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出AnyGroundBench基准，将STVG评估从零样本转向领域适应，涵盖五个专业领域，评估15个VLM的零样本和上下文学习能力，发现现有模型在专业领域表现不佳。
持续多模态学习中的隐藏遗忘：当准确率幸存但基础失效时
机构 * Nanyang Technological University（南洋理工大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 针对持续多模态学习中模型答案准确但证据使用方式改变的问题，提出无重放依赖约束框架RCL，通过冻结旧模型、反事实干预估计证据依赖并联合优化，有效降低隐藏遗忘。
GMO-E$^2$DIT：面向电商图像的接地多操作编辑
机构 * Wuhan University（武汉大学） ； Xi’an Jiaotong University（西安交通大学） ； Sun Yat-sen University（中山大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出GMO-E$^2$DIT框架，通过VLM代理构建区域接地编辑议程，结合掩码条件图像编辑器和反思循环，实现多操作、可审计的电商图像编辑，在指令准确性和编辑保真度上超越现有基线。
Ophiuchus: 激励工具增强的“图像思考”用于联合医学分割、理解与推理
机构 * Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Information Hub, HKUST (Guangzhou)（信息枢纽，香港科技大学（广州））
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出Ophiuchus框架，通过三阶段训练策略（冷启动SFT、自反思微调、工具强化学习）使MLLM动态聚焦细粒度视觉区域，实现精准医学分割与诊断。
跨文化价值观意识在大型视觉-语言模型中的体现
机构 * Thoughtworks ； University of Ottawa（渥太华大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文研究了图像中文化背景如何影响大型视觉-语言模型对人物道德、伦理和政治价值观的判断，通过多维分析揭示模型对文化价值观差异的认知。
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