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。
哈里森.Rad 1.5技术报告：一种可根据图像、先验知识和临床背景起草报告的放射学基础模型
专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对放射科报告积压问题，提出HR1.5多模态大语言模型，通过三阶段训练，用特定评分框架评估，该模型是唯一达模拟FRCR及格标准的系统，在多方面准确率最高，还研究了可解释性等以支持临床应用评估。
从投票到智能体协作：用于BioASQ 14b的答案类型感知大语言模型管道
机构 * Korea University（韩国大学） ； Myongji University（明知大学） ； AIGEN Sciences（爱根科学公司）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 该研究针对BioASQ 14b任务B提出特定问题类型的大语言模型框架，依据不同问题类型选择不同推理程序，如为是/否问题用片段洗牌等，经初步实验和官方评估，框架性能具竞争力，在第4批次事实性子任务中夺冠，证明相关方法结合的有效性。
Comments 15 pages
回答前分割：用于多模态大语言模型视觉推理的像素定位
专题命中 视觉推理 ：grounding(title,abstract)；visual reasoning(title)；MLLM(title)；multimodal large language model(abstract)
AI总结 本文针对多模态大语言模型视觉推理，提出SegAnswer方法，将放大单元从边界框转为像素级分割掩码，能精准定位感兴趣区域，过滤冗余信息，与视觉令牌构建方式更契合，经多基准测试验证了其在像素定位及分割任务上的性能。
用于自动CAD生成的基础模型
机构 * BARCELONA Supercomputing Center（巴塞罗那超级计算中心） ； Universidad Pontificia Comillas（庞培法布拉大学） ； Chung-Ang University（中央大学） ； LUXEMBOURG Institute of Science and Technology（卢森堡科学技术研究所）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract)；visual reasoning(abstract)；分类 cs.AI
AI总结 研究利用统一评估管道和基准，对用于机械零件自动CAD生成的基础模型展开实证。介绍LLMForge框架，通过两种批判机制评估七个基础模型，展示了紧凑模型的效果，以及VLM批判的作用，还探讨了相关设计及影响。
Comments Accepted as a book chapter in "Advances in Global Applied Artificial Intelligence" (G. A. Tsihrintzis, M. Virvou, N. G. Bourbakis, L. C. Jain, Eds.), authenticated version will be published in Springer series: Learning and Analytics in Intelligent Systems
模态相关性并非模态效用：用于成本感知多模态RAG的事后选择性模态升级
机构 * Hangzhou International Innovation Institute, Beihang University（杭州国际创新研究院，北京航空航天大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.AI
AI总结 研究多模态检索增强生成中模态选择决策点问题，提出事后选择性模态升级方法，先低成本从文本和表格回答，再按需支付VLM证据费用，校准路由器决定是否升级，在MultiModalQA上减少视觉调用并缩小与神谕升级率差距，扩展了路由信号层次结构。
Ground3D-LMM：基于LMM的细粒度3D点接地与空间推理
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Linköping University（林雪平大学）
专题命中 视觉推理 ：grounding(title,abstract)；分类 cs.CV
AI总结 研究3D环境自然语言查询的可操作性问题，提出Ground3D-LMM统一模型，以点云等为输入，支持3D空间对话，能给出基于点的响应和度量数值输出，通过定义新任务、引入数据集验证，为3D对话理解提供强大基线。
Comments ECCV 2026
FORGE：通过关键点轨迹推理实现功能工具使用的泛化
机构 * MARS Lab, Nanyang Technological University（南洋理工大学MARS实验室） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对机器人功能工具使用泛化问题，提出FORGE两阶段策略，通过关键点轨迹推理解耦功能推理与动作执行，在七工具击打基准测试中，对未见工具表现优于现有方法，平均成功率显著提升。
Comments 15 pages, 8 figures, 6 tables
基于原始校正的渐进推理用于组合零样本学习
机构 * School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院） ； Key Laboratory of Big Data & Artificial Intelligence in Transportation (Ministry of Education)（交通运输大数据与人工智能教育部重点实验室）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV
AI总结 研究组合零样本学习问题，提出PRPC框架，通过逐步推理明确建模属性和对象间双向依赖性，对原语相互校正，将其公式化为结构化推理过程并结合强化学习后训练，在基准测试中达最优性能。
OmniLayout：用于印刷电路板布局中约束感知几何推理的原理图耦合多模态基准测试
机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Shanghai Jiao Tong University（上海交通大学） ； Microsoft Research（微软研究院） ； Binghamton University（宾汉姆顿大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 介绍OmniLayout基准测试，用于评估大语言模型在印刷电路板布局放置推理。含1681个工业级原理图耦合PCB布局及四项任务，揭示当前大语言模型在PCB布局放置上有诸多局限。
基于推理的检索：用于能源改造推荐的语言模型成本控制基准
专题命中 视觉推理 ：grounding(abstract)
AI总结 研究为建筑推荐节能措施问题，通过树集成解决EUI预测，发现推荐任务框架影响模型选择，对八个大语言模型基准测试，表明其过度推荐，检索可缩小差距，还给出成本控制下模型的效果。
EAGOR：全方位的具身推理
机构 * EmPACT Lab, NTU Singapore Institute for Infocomm Research, A*STAR Singapore（EmPACT实验室，南洋理工大学信息与通信研究所，A*STAR新加坡）
专题命中 视觉推理 ：vision language model(abstract)
AI总结 研究针对现有视觉语言模型在处理360°观测时方向估计不一致的问题，提出无需训练的几何感知框架EAGOR，将方向推理表述为球面上的递归贝叶斯估计，引入球谐信念场，实验证明其性能优于现有方法。
Comments 12 Pages, 7 Figures, 4 Tables
RoboTALES：通过任务对齐的模拟未来学习推理引导的机器人策略
机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校）
专题命中 视觉推理 ：VLM(abstract)
AI总结 针对预训练视频生成模型用于机器人策略规划的局限，提出RoboTALES框架，通过基于分层语言模型的规划器和基于视觉语言模型的评论家两大创新，学习任务对齐的模拟未来以训练机器人策略，在多样操纵任务中表现优于现有方法。
Comments Accepted at ECCV 2026
提出并关注：通过多令牌局部注意力实现无训练的多模态大语言模型接地置信度
机构 * Amazon（亚马逊）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；MLLM(title,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究多模态大语言模型接地置信度问题，提出无训练的多令牌局部注意力（MTLA）方法，通过在声称区域内求和并跨预测令牌聚合恢复更强接地信号，在多模型家族和模态中提升了幻觉AUROC及零样本检测AP。
代理分析：作为条件编码器的视觉语言模型中的定位信号
机构 * Tel Aviv University, Tel Aviv, Israel（特拉维夫大学） ； Google DeepMind（谷歌DeepMind）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究视觉语言模型（VLMs）作条件编码器时编辑管道定位性能差的问题，引入代理分析框架，通过训练代理模型分析VLM中间表示来揭示编码定位信息的表示，发现现有条件提取策略缺陷，为条件架构设计提供新思路。
Comments Accepted as a Spotlight at the ICML 2026 Mechanistic Interpretability Workshop
花瓶博物馆：古希腊陶器数字智能博物馆
机构 * School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院） ； School of Computer Science, Peking University（北京大学计算机科学学院） ； Huazhong University of Science and Technology（华中科技大学） ； Department of Computer Science and Information Technology, La Trobe University（拉筹伯大学计算机科学与信息技术系） ； UCAS-Terminus AI Lab, University of Chinese Academy of Sciences（中国科学院大学UCAS-Terminus人工智能实验室）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 针对古希腊陶器文化遗产领域中视觉语言模型面临的挑战，提出轻量级模块化多模态智能体框架花瓶博物馆，结合虚拟博物馆与花瓶智能体，经多模态感知等操作，提高引用有效性，减少幻觉并产生更中立答案。
Comments Code: https://github.com/AIGeeksGroup/VaseMuseum. Website: https://aigeeksgroup.github.io/VaseMuseum
图像无法表达的：语言引导的嗅觉表征学习
机构 * LIX, École Polytechnique, IP Paris, CNRS（LIX，巴黎高等理工学院，IP巴黎，CNRS）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究图像与嗅觉对齐难题，提出SCENT多模态框架，利用视觉语言模型生成场景描述符，训练气味编码器，通过语言引导潜在分解分离特定对象气味与环境贡献，提升跨模态检索性能，产生可解释表征。
Comments ECCV 2026. Project page: https://www.lix.polytechnique.fr/vista/projects/2026_scent_tsonis/
基于LoRA的跨上下文视觉语言适配用于临床伤口监测中的个性化严重不良事件检测
机构 * San Diego State University（圣地亚哥州立大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of California, Davis（加利福尼亚大学戴维斯分校）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 研究针对临床伤口监测中严重不良事件检测问题，提出基于双流LoRA框架及跨上下文融合机制的多模态框架，结合多种方法识别个性化严重不良事件并捕捉愈合动态，在相关实验中展现良好性能。
利用生成式图像模型进行无训练的原始形状抽象
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究如何利用生成式图像模型进行无训练的原始形状抽象，通过渲染多视图图像、分析语义部分、绘制分割掩码、重新投影和拟合超二次基元的流程，实现与类别无关且方向不变，在相关数据集上Chamfer距离最低。
Comments 13 pages, 9 figures, 3 tables
Spider 2.0-AIFunc：将现实世界的文本到SQL扩展到人工智能原生SQL工作流程
机构 * UC San Diego（加州大学圣地亚哥分校） ； Snowflake AI Research（Snowflake人工智能研究院） ； University of Hong Kong（香港大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 研究针对现有文本到SQL基准无法评估模型生成人工智能原生SQL能力的问题，构建Spider 2.0-AIFunc基准，经特定管道和多轮验证，评估十个先进语言模型，发现准确率差距及传统代理框架转移无效等情况。
Comments 24 pages, 3 figures, 7 tables
忠实还是可查找？评估用于RDF数据集搜索的大语言模型生成的元数据
机构 * University of Southern Denmark（南部丹麦大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 研究RDF数据集六种元数据生成设置，评估其检索有效性与忠实性。发现无约束重写检索增益强但忠实性低，更有根据的设置提高了忠实性，基于配置文件的重写权衡最佳，将合成元数据定位为需综合评估多方面的系统级信息检索问题。
Comments 5 pages, 1 figure, accepted at SynthIR @ SIGIR 2026
复用CLIP实现像素级定位
机构 * School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Advanced Technology Center Beijing AI Laboratory（北京人工智能先进技术中心） ； School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 针对CLIP全局特征偏差导致难以适配像素级预测的问题，提出CLIPix框架，结合抗噪校正与定位嵌入策略，保留CLIP泛化性，在PASCAL、COCO上取得最优像素级定位性能。
Comments Accepted by IEEE TMM 2026
LLMs在外国维和任务威胁评估中的应用
机构 * HENSOLDT Austria（海恩索尔特奥地利公司） ； Austrian Ministry of Defence（奥地利国防部）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出利用大语言模型（LLMs）结合风险模型和OSINT媒体数据，自动提取维和任务相关威胁，评估显示自动结果与人工判断高度一致。
在智能时代重新思考科学发现
机构 * Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； East China Normal University（华东师范大学）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 研究提出智能科学操作系统SCION，以科学智能体为元工具连接科研要素，核心是研究执行计划，集成多种方法支持长期科研工作，经实验验证其在多方面优于现有基线，推动AI成为可溯源、可复用的科研创新协调操作层。
Comments 26 pages, 7 figures
BaFCo：用于复杂孟加拉语表格理解的文档理解基准
机构 * Wichita State University（威奇托州立大学） ； Center for Computational & Data Sciences（计算与数据科学中心） ； University of Dhaka（达卡大学） ； Amazon GenAI（亚马逊生成式人工智能）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对孟加拉语表格理解因高质量标注数据稀缺受限的问题，引入BaFCo基准数据集，涵盖多领域复杂表格。定义细粒度标注模式，评估多种MLLMs，发现其理解孟加拉语表格有局限，尤其在定位细粒度实体方面。
Comments Accepted at the 19th European Conference on Computer Vision (ECCV), 2026
UI2App：可执行Web应用程序生成中视觉交互推理的基准测试
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对现有网页生成基准测试对交互能力评估不足的问题，引入UI2App基准测试，通过设计端到端管道沿四个维度评估工件，实验发现视觉与交互能力不匹配，复杂交互是瓶颈，为相关研究提供了参考。
AirflowAttack：针对红外遥感视觉语言模型的热气流对抗扰动
机构 * China University of Petroleum-Beijing at Karamay（中国石油大学（北京）克拉玛依校区） ； Tianjin University（天津大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 幻觉与鲁棒性 ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 研究针对红外遥感视觉语言模型的对抗攻击，提出AirflowAttack方法，用热气流湍流作扰动先验，由轻量级生成器合成扰动。该方法在多个CLIP主干上攻击成功率高，能降低模型场景分类准确率，还揭示了红外VLM生态系统的关键漏洞。
从车道感知角度评估自动驾驶对环境错觉的鲁棒性：基准测试
机构 * SKLCCSE, the 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软件安全技术与工程北京市重点实验室） ； the School of Cyber Science and Technology, Sun Yat-sen University（中山大学网络空间科学与技术学院） ； Henan University of Science and Technology（河南科技大学） ； the School of Computing, National University of Singapore（新加坡国立大学计算学院） ； College of Computing & Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 研究自动驾驶对环境错觉的鲁棒性，聚焦传统车道检测和视觉语言模型系统。引入基准LanEvil++并评估，发现错觉严重影响性能，阴影干扰最大。提出多模态错觉防御方法MIDA，有效提升了模型在挑战性条件下的鲁棒性。
Comments Accepted by IEEE TPAMI 2026
Pluralis v0.1：迈向用于人工智能风险与可靠性的多元文化、多模态、多语言基准测试
机构 * Google DeepMind（谷歌DeepMind） ； University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校） ； Google（谷歌） ； University of Missouri Columbia（密苏里大学哥伦比亚分校） ； Chunghwa Telecom Laboratories（春木电信实验室） ； University of Southern California（南加州大学） ； Polytechnique Montreal（蒙特利尔理工学院） ； Nutanix ； ThinkEvolve Labs（ThinkEvolve实验室） ； UCL（伦敦大学学院） ； Infocomm Media Development Authority（信息通信媒体发展局） ； Monark Health（Monark健康） ； Seoul National University（首尔国立大学） ； Microsoft（微软） ； Centre for Responsible AI (CeRAI), Wadhwani School of Data Science and AI (WSAI), Indian Institute of Technology Madras（负责任人工智能中心（CeRAI）、瓦达威人工智能学校（WSAI）、印度理工学院马德拉斯分校） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Microsoft Research India（微软印度研究院） ； Stanford University（斯坦福大学） ； Argonne National Laboratory（阿贡国家实验室） ； University of Oxford（牛津大学） ； KAIST（韩国科学技术院） ； Yonsei University（延世大学） ； Amazon（亚马逊） ； UIUC（伊利诺伊大学香槟分校） ； Rochester Institute of Technology（罗切斯特理工学院） ； Xenoscube Inc.（Xenoscube公司） ； Korea AI Safety Institute (K-AISI)（韩国人工智能安全研究所（K-AISI）） ； MLCommons ； CommonGround ； Artifex Labs（Artifex实验室）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；VLM(abstract)
AI总结 研究针对现有AI安全评估框架忽视文化差异问题，构建多语言多模态数据集Pluralis v0.1，从文化优先视角引入新评估范式，提出Judge - Pluralis集成，揭示特定地区失败模式，为多语言多元文化评估提供基础和创新起点。
Pitwall：来自校准实时蒙特卡罗引擎的可靠自然语言赛车策略简报
机构 * Independent Researcher（独立研究者）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 研究针对体育赛事直播评论生成问题，提出Pitwall系统，将忠实性作为架构属性，通过概率性比赛状态验证声明，控制微调数据，使用校准的蒙特卡罗引擎，实现端到端操作，确保生成的自然语言赛车策略简报可靠。
Comments 21 pages, 2 figures, 6 tables. Live-deployment results from the 2026 Austrian and British Grands Prix. URL: https://pitwall.jsantillana.com
TMF-RSE：用于肺部严重程度评分的具有区域语义和证据不确定性的三模态融合
机构 * Institute of Applied Sciences and Intelligent Systems (ISASI), CNR（应用科学与智能系统研究所（ISASI），CNR） ； Department of Computer Science and Artificial Intelligence, University of the Basque Country (UPV/EHU)（巴斯克国家大学计算机科学与人工智能系） ； University of Salento（萨莱nton大学）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.CV；VLM(comments)
AI总结 针对从胸部影像量化肺部疾病严重程度的问题，提出TMF-RSE框架，结合多模态特征，采用互补融合机制和证据回归，在相关数据集实验中性能优于基于Transformer的基线。
Comments 6 pages, 2 figures, 5 tables. IEEE conference format (IEEEtran). Submitted to AVSS 2026. Tri-modal fusion for lung severity scoring using appearance, segmentation, and VLM semantics with evidential uncertainty
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