视觉大模型 / VLM

Unveiling the Visual Counting Bottleneck in Vision-Language Models

揭示视觉语言模型中的视觉计数瓶颈

Xingzhou Pang, Yifan Hou, Junling Wang, Mrinmaya Sachan

机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract_cn)；grounding(abstract)；分类 cs.CV、cs.LG

AI总结 通过分解视觉计数为三个认知阶段，发现视觉语言模型在符号映射阶段失败，提出断裂数量假说：模型学习到分离的模态特定统计流形，无法实现跨模态对齐。

Comments ICML 2026

Generalist Vision-Language Models for Fast Radio Burst detection: a zero-shot benchmark against a specialized detector

用于快速射电暴检测的通用视觉语言模型：针对专用探测器的零样本基准测试

Raiff H. Santos, Amilcar R. Queiroz, Tharcisyo S. S. Duarte, K. E. L. de Farias, Rafael A. Batista

机构 * Universidade Federal de Campina Grande（坎皮纳格兰德联邦大学） ； Instituto de Formação de Educadores, Universidade Federal do Cariri（卡里里联邦大学教育工作者培训学院） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.LG

AI总结 研究通用视觉语言模型在零样本下检测快速射电暴，从模拟动态频谱中抽取样本作基准，比较其与专用探测器，发现Gemma 4 2B准确率与SwinYNet相近，在结构化RFI上误报率低，重写提示可用于三类分类，准确率较高。

Comments 24 pages, 4 figures

Specification Grounding Drives Test Effectiveness for LLM Code

规范基础驱动大语言模型代码测试有效性

Amin Haeri, Mahdi Ghelichi

机构 * TD Bank（TD银行） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI、cs.LG

AI总结 研究大语言模型代码测试，固定测试器等因素，仅改变一条提示行来隔离规范基础对测试效果的影响。发现规范基础是测试有效性的主要驱动因素，能提高代码正确性、灵敏度和精度，降低误报率，在不同模型和供应商中都有此效果，在算法问题上无影响。

GeoProp: Grounding Robot State in Vision for Generalist Manipulation

GeoProp：将机器人状态在视觉中进行定位以实现通用操作

Guoyang Zhao, Quanhao Qian, Gongjie Zhang, Wenhao Li, Jiuniu Wang, Xiaowei Lu, Deli Zhao, Ran Xu

机构 * Tongji University（同济大学） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； HuPan Lab（湖畔实验室） ； Alibaba Group（阿里巴巴集团） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI

AI总结 研究针对机器人操作中本体感觉与视觉缺乏有效对齐问题，提出轻量级GeoProp适配器，通过几何定位、特征采样及FiLM调制等使两者对齐，在多任务中提升策略性能，是具身策略的简单高效归纳偏差。

Comments 21 pages, 8 figures, 11 tables. Project page: https://alibaba-damo-academy.github.io/GeoProp/

Grounding Spatial Relations in a Compact World Model: Instruction Leakage and a Goal-Free Dynamics Fix

在紧凑世界模型中建立空间关系：指令泄漏与无目标动力学修复

Yufeng Wang, Lu Wei, Haibin Ling

机构 * Stony Brook University（纽约州立大学石溪分校） ； Westlake University（西湖大学） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI

AI总结 研究以语言目标为条件的紧凑世界模型中空间关系建立问题，发现指令泄漏陷阱，提出将目标排除在动力学外并监督读取路径的修复方法，适用于相关世界模型，提升关系基础的准确性。

SkillCenter: A Large-Scale Source-Grounded Skill Library for Autonomous AI Agents

SkillCenter：用于自主人工智能代理的大规模源基础技能库

Tianming Sha, Yue Zhao, Lichao Sun, Yushun Dong

机构 * Stony Brook University（纽约州立大学石溪分校） ； University of Southern California（南加州大学） ； Lehigh University（里海大学） ； Florida State University（佛罗里达州立大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 研究针对自主AI代理缺乏扎实操作知识的问题，构建SkillCenter技能库，通过多源获取等端到端框架，集成大量源基础和社区技能，实现技能可追溯，以保障代理输出的正确性、安全性和可维护性。

Comments 44 pages, 5 figures. Code: https://github.com/LabRAI/SkillCenter ; Data: https://huggingface.co/datasets/Tommysha/skillcenter-bundles

Why Fake ? Unveiling the Semantic Vocabulary of Deepfake Detectors

为何造假？揭示深度伪造检测器的语义词汇

Vazgken Vanian, Alexandros Doumanoglou, Dimitris Zarpalas

机构 * Information Technologies Institute (ITI) Centre For Research and Technology HELLAS (CERTH)（信息技术研究所（ITI）希腊研究与技术中心（CERTH）） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV

AI总结 研究深度伪造检测，用编码-解码方向对技术分析黑箱检测器决策过程，揭示训练中隐含的真假特征，实现全局模型理解、空间感知概念定位和反事实分析，助于深入理解检测策略。

Comments Accepted at CVPRW 2026

Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection

用于未知域目标检测的原型锚定广义流形回归

Zihao Zhang, Aming Wu, Yang Li, Yahong Han

机构 * School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息工程学院） 纠错

专题命中 视觉定位与Grounding ：VLM(abstract)；分类 cs.CV

AI总结 研究单域广义目标检测，提出MR-DCoT方法，通过视觉-文本双思维链生成离群示例，利用类特定原型锚定学习校正算子，将未知域泛化建模为流形回归问题，实验验证了该方法在多场景下的有效性和通用性。

Physically Grounded Monocular Depth via Nanophotonic Wavefront Encoding

通过纳米光子波前编码实现物理基础的单目深度

Bingxuan Li, Jiahao Wu, Yuan Xu, Zezheng Zhu, Yunxiang Zhang, Kenneth Chen, Yanqi Liang, Nanfang Yu, Qi Sun

机构 * New York University（纽约大学） ； Columbia University（哥伦比亚大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV

AI总结 研究旨在解决单目深度感知中度量尺度模糊问题，核心方法是用超透镜通过纳米光子学编码深度线索，结合DFMs与输入自适应策略及模拟管道，实验证明该方法有效提升单目度量深度传感精度。

Comments ECCV 2026

Compositional Motion Generation from Demonstration with Object-Centric Neural Fields

基于以对象为中心的神经场的示范组合运动生成

Ahmet Ercan Tekden, Yasemin Bekiroglu

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University College London（伦敦大学学院） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 提出基于以对象为中心神经场的示范组合运动生成框架，通过时空组合性连接感知与运动，结合规范神经场与潜在条件变形渲染场景，用时间混合专家生成轨迹，在模拟和实际实验中展现良好性能。

Comments Accepted by IEEE Robotics and Automation Letters (RAL)

A Closed-Loop Multi-Agent Framework for Robust Multi-Robot Manipulation

用于鲁棒多机器人操作的闭环多智能体框架

Yi-Xiang He, Lan Wei, Haoming Cen, Jian-Jian Jiang, Zhuohao Li, Guanxing Lu, Yihan Yang, Dandan Zhang, Wei-Shi Zheng

机构 * Sun Yat-sen University（中山大学） ； Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education, China（教育部机器智能与先进计算重点实验室） ； Imperial College London（帝国理工学院） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 针对多机器人操作中高级推理应用于实际执行的挑战，提出基于分层闭环智能体的LLM框架，含规划、操作、验证智能体。经实际实验验证，该框架成功率高、适应性强，为多样操作任务提供可推广方法。

Comments RSS 2026

EMBER: Efficient Memory via Budgeted Evidence Retention for Long-Horizon Agents

EMBER: 通过预算化证据保留实现高效记忆的长时程智能体

Yilong Li, Suman Banerjee, Tong Che

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； NVIDIA Research（NVIDIA研究） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 针对长时程智能体在固定预算下保留证据的问题，提出EMBER学习型保留策略，通过存储证据胶囊（含原文摘录、检索键和更新元数据）并利用查询后反馈训练，在LongMemEval-RR上显著提升F1、保留召回和读取召回。

Sycamore: Characterizing Synthetic Personas for Evaluating Genomics Visualization Retrieval

Sycamore：用于评估基因组可视化检索的合成身份表征

Huyen N. Nguyen, Astrid van den Brandt, Nils Gehlenborg

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 Sycamore通过三种条件探针设计评估基因组可视化检索系统，探讨合成身份在真实用户反馈中的表现及影响。

Comments 8 pages, 6 figures

The Replicator-Optimization Mechanism: A Scale-Relative Formalism for Persistence-Conditioned Dynamics with Application to Consent-Based Metaethics

复制者-优化机制：一种面向持久条件动力学的尺度相对形式化及其在基于同意的元伦理学中的应用

Murad Farzulla

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文提出一种尺度相对的形式化框架，统一复制者-突变动力学与价格选择-传输模型，通过摩擦、合法性和信念传递三个核心概念，从社会契约论独立推导出与生物学相同的结构，并建立描述性动力学与工具性规范性的桥梁，避免实然-应然谬误。

Comments 67 pages, 1 table, Lean 4 verification appendix (machine-checked). v2: substantially expanded from v1; adds formal-verification and identifiability sections and corrects references