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。
用于脑肿瘤视觉指令微调的多语言模型协作式MRI报告生成
专题命中 视觉问答 ：VLM(summary_cn,abstract)；vision-language model(abstract)；visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 针对脑肿瘤缺乏配对3D成像 - 文本数据问题，提出用多语言模型协作创建3D图像 - 文本数据集，构建VLM将MRI扫描转换为令牌并与文本指令对齐，该方法在报告生成等任务中表现优于其他方法，有助于脑肿瘤诊断治疗。
通过自我场景增强在多模态大语言模型中强化自我中心空间感知
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Guangxi Zhuang Autonomous Region Information Center（广西壮族自治区信息中心） ； The Hong Kong University of Science and Technology（香港科技大学）
专题命中 视觉问答 ：multimodal large language model(title,abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 研究如何强化多模态大语言模型的自我中心空间感知，提出自我场景增强框架ESA，利用自我元素图作为中间表示，通过视觉基础模型增强空间感知，在EgoTextVQA基准上取得显著性能提升。
Comments 14 pages, 8 figures. Chi Kit Wong and Ye Pan contributed equally. Code: https://github.com/Chikit-WONG/spatialGraph
VIABench：一个从视障人士收集的用于视障辅助的综合视频基准测试
机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对视障人士视觉信息获取难及多模态大语言模型在视障辅助中实用价值待探索的问题，引入VIABench视频基准测试，定义三个核心任务，提出严格测试流程，实验表明当前模型对视障人士支持不足，有望推动定制模型开发以改善其体验。
停止思考，开始观察：通过无推理对齐实现多模态文档问答的高效训练后优化
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 研究多模态文档问答中高效训练后优化问题，提出感知 - RFT 框架，用组相对策略优化绕过推理令牌直接对齐视觉与基础输出，通过构建变体评估推理必要性，发现启用推理模型有优势，还识别基础差异，表明早期转换可减少训练数据并保持精度。
Comments Accepted at ICML 2026, Workshop on Efficient Multimodal Question Answering (EMM-QA)
超越排行榜：可信多模态视觉问答的设计经验教训
专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV
AI总结 以MediaEval Medico 2025为案例，分析九个多模态问答系统，发现预训练主干的参数高效适应虽有挑战性能，但答案提升未转化为完整临床推理，结构化推理等方法更可靠，结果促使多方面改进，支持可信多模态医疗保健人工智能。
Comments Accepted for presentation at the 39th IEEE International Symposium on Computer-Based Medical Systems (IEEE CBMS 2026) as a regular paper
CoTu在EXACT 2026中的应用：用于透明教育问答的神经符号推理
机构 * Can Tho University（芹苴大学） ； Tay Do University（西原大学）
专题命中 视觉问答 ：grounding(abstract)
AI总结 EXACT 2026竞赛要求用最多8B参数的自托管模型解决教育问答问题。CoTu团队开发神经符号思维程序管道，结合Z3编码、数值Python等，经答案类型路由等方法，在物理任务中获满分，决赛技术得分最高，总体第三，证明小模型也能实现可验证推理。
Comments The 2nd International XAI Challenge for Transparent Educational Question-Answering @ IEEE IJCNN 2026 Competition
只需持续提示：评估视觉语言模型中的重复苏格拉底式提示
机构 * Northeastern University（东北大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；visual reasoning(abstract)；grounding(abstract)
AI总结 研究视觉语言模型在反复提示下的稳定性，引入JKP多轮评估框架，用三种策略对模型提问，在STAR基准子集上评估GPT-4o、Gemini 2.5 Pro和Qwen3-VL-30B，发现重复提示利弊兼具且因模型而异，揭示了模型压力反应概况。
人工智能与人类专家推理：基于街景图像评估建筑类型预测中的一致性
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.AI
AI总结 研究探讨视觉语言模型从街景图像推断建筑类型的潜力，将其预测与人类专家比较，评估多种VLM，发现思维链提示性能更稳定，通过分析关键词概率研究推理过程，表明VLM能逼近专家能力，为城市分析提供支持。
RxBrain：具有联合语言-视觉推理与想象的具身认知基础模型
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract)；分类 cs.AI
AI总结 研究提出具身认知基础模型RxBrain，采用统一多模态架构，通过构建自动管道训练，引入RxBrain-Bench评估，能保持具身理解和生成能力，扩展到连续机器人动作生成，为具身认知基础模型发展奠定基础。
用于多步视觉推理的分层去噪
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理技术国家重点实验室） ； The Hong Kong University of Science and Technology（香港科技大学） ； Beihang University（北京航空航天大学） ； Fuzhou University（福州大学） ； Muka Robotics（木卡机器人）
专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV
AI总结 研究针对视频模型多步推理不足的问题，提出HDR框架，通过树形层次结构和稀疏分层注意力模式进行多步推理，在新基准测试中提升了成功率和进度，推理更快，数据效率更高，在机器人实验中展现潜力。
HoloGeo：通过证据驱动推理减轻地理定位中的地标偏差
机构 * National University of Singapore（新加坡国立大学） ； Shandong University of Science and Technology（山东科技大学） ； University of Oxford（牛津大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 研究针对视觉语言模型地理定位易受地标偏差影响的问题，提出证据驱动推理框架HoloGeo，借助高质量数据集，通过多维度奖励实现平衡关注与联合推理，经实验验证其在多个数据集上能有效减轻地标偏差，提升地理定位性能。
超越单一专家：在多模态大语言模型中协调多样视觉先验以实现空间理解
机构 * The University of Hong Kong（香港大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 研究旨在提升多模态大语言模型的空间理解能力，提出ViPS框架，通过高效先验代理和动态先验融合机制，整合不同模型的视觉先验，经实验验证该框架能协调多样先验，在多基准测试中取得新的最优性能。
WorkDrive：自动驾驶的道路施工因果链
机构 * Peking University（北京大学） ； Xiaomi EV（小米电动汽车）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 针对自动驾驶视觉语言模型在道路施工区域的难题，提出WorkDrive框架，通过自动化多任务感知管道提取场景事实，经监督微调与强化学习，在ROADWork数据集上降低轨迹平均位移误差，实现渐进改进。
TopoAgent：用于多模态科学推理的自进化拓扑智能体
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 研究针对多模态大语言模型科学推理难题，提出TopoAgent自进化拓扑框架，用图进化取代线性轨迹，通过前端分解器、DAG组织原子及自适应原子裂变实现，实验证明其显著优于线性智能体框架，为科学推理提供新范式。
SD-MAR：通过合成数据和强化学习进行多图像分析推理
机构 * Stevens Institute of Technology（史蒂文斯理工学院） ； AGI Foundations for AWS（AWS的通用人工智能基金会） ； Amazon Web Services (AWS)（亚马逊网络服务公司）
专题命中 视觉推理 ：vision language model(abstract)；分类 cs.CV
AI总结 研究针对视觉语言模型在多图像分析推理任务中的局限，提出SD-MAR框架，通过合成数据和强化学习训练评估模型。该框架构建场景生成任务，采用GRPO-lite与BDA训练。实验表明能提升域内准确率，保持或提高域外泛化能力，还改进了模型逻辑连贯性和解释质量。
Symbal：检测模型生成字幕中的系统性对齐错误
专题命中 视觉定位与Grounding ：MLLM(summary_cn,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生成图像字幕时的系统性对齐错误检测问题，提出利用现成基础模型的结构化双阶段设置的Symbal方法，引入SymbalBench基准，Symbal在基准上表现出色，可辅助审核MLLM生成的字幕。
Comments ICML 2026
SAGA：用于智能文本到SPARQL生成的模式感知基础
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI、cs.LG
AI总结 研究复杂知识库问答中语义解析范式，针对现有智能体类型盲基础问题，提出无训练框架SAGA，通过模式约束基础操作，维护类型状态，过滤候选属性，以紧凑格式呈现图模式，在多基准设置上取得优异成绩。
通过知识图谱基础增强小型语言模型推理
机构 * Institute of Informatics and Telecommunications, National Center for Scientific Research “Demokritos（信息与电信研究所，国家科学研究中心“德谟克利特”）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI、cs.LG
AI总结 研究利用神经符号智能框架增强小型语言模型推理能力，通过特定工具调用转变模型，在两种场景下评估，发现虽提示提升性能，但受提取瓶颈等限制，还存在“干扰效应”，刻画了挑战并提供迭代验证路线图。
Comments Presented at the 2nd Causal Neuro-symbolic Artificial Intelligence (Causal NeSy): Toward Agentic LLMs with Neuro-Symbolic and Graph Based Reasoning Workshop @ ESWC2026
用于接触丰富的机器人操作的表示对齐触觉基础
机构 * Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院智能信息处理上海市重点实验室） ； College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Lenovo CTO Organization（联想首席技术官组织） ； Nanyang Technological University（南洋理工大学） ； TeleAl, China Telecom（中国电信天翼人工智能公司）
专题命中 视觉定位与Grounding ：grounding(title,abstract)
AI总结 研究接触丰富的机器人操作中，针对VLA策略不同表示作用下触觉监督应用位置不明的问题，通过线性探针分析找到可预测未来触觉状态的中间动作专家特征，引入LTP，实验证明表示对齐的触觉基础效果更佳。
DS@GT ARC参加LongEval：科学问答中的引用完整性和事实基础
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉定位与Grounding ：grounding(title,abstract)
AI总结 研究在科学问答中传统评估指标与引用完整性的差异，通过Corrective RAG和CiteFix构建纠正管道，对比前沿模型，发现前沿模型答案生成不依赖文档上下文，而纠正管道提升了引用忠实度和答案基础，提出需奖励严格答案基础的评估指标。
Comments 12 pages, 4 figures. Accepted to the CLEF 2026 LongEval Lab Working Notes
关键帧指南针：迈向对关键帧条件视频生成的全面评估
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 研究关键帧条件视频生成，提出关键帧指南针综合基准及自动评估框架，将关键帧执行分解为六个指标评估，通过实验揭示当前模型在关键帧执行与自然视频合成间存在权衡等局限性。
Comments 35 pages
SceneBind：跨视觉、音频和语言绑定“什么”与“哪里”
机构 * University of Washington（华盛顿大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Hankuk University of Foreign Studies（韩国外国语大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 研究提出SceneBind全模态场景表示，结合全局语义与对象中心语义空间插槽解决空间结构缺失问题，还提出匹配方案。通过构建新数据集及训练协议进行训练评估，兼容预训练编码器，实现先进检索并能零样本转移到下游任务。
Comments Project website: https://scenebind.github.io/
多域检索的认证域一致性：具有共形风险保证的无标签逐域污染控制
机构 * Electric Power Research Institute (EPRI)（电力研究协会）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 针对多域检索中错误域证据及污染控制问题，提出C3R控制层。基于风险控制预测集构建双分割方案，认证污染预算。通过实验验证其稳定性及有效性，能减少错误权威基础，且与冻结堆栈和重排器无关。
Comments Submitted to ACM TOI
AdaTurn：用于主动视觉感知智能体的预算感知测试时缩放
机构 * University of Rochester（罗切斯特大学） ； Univeristy of Michigan（密歇根大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 研究主动视觉感知智能体在不同预算下的任务执行问题，提出AdaTurn框架，通过强制答案DAPO等组件，根据预算调整智能体行为，提高低预算准确率，且能有效转移到多基准测试中。
NeuroGRIP：用于基于知识的脑电图癫痫诊断的检索增强图细化
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 研究针对脑电图癫痫诊断难题，提出NeuroGRIP框架，结合外部医学知识校准脑电图图。通过构建知识库、利用大语言模型提取知识图，经对齐感知查询和相似性搜索检索关系证据，提升诊断准确性与可解释性，为临床诊断提供新框架。
人工智能智能体并非独自失败：上下文首先失败
机构 * The University of Chicago（芝加哥大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 研究人工智能智能体可靠性，通过ProofAgent-Harness评估上下文七个标准，验证上下文工程质量是智能体可靠性的领先指标，经受控研究表明上下文质量标准可预测行为结果，确立其为预检信号及可审计层。
Comments 24 pages, 1 figure
从零步洞察终点：通过MLP稀疏感知截断加速扩散多模态大语言模型
机构 * Zhejiang University（浙江大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 研究针对扩散多模态大语言模型推理效率受固定长度生成约束影响的问题，提出Seer框架，利用MLP激活稀疏性变化检测有效语义边界，进行冗余截断及采用混合执行策略，实验表明其可加速吞吐量并维持性能甚至提升复杂视觉任务准确性。
Comments Accepted to ACM Multimedia (ACM MM) 2026
SoftNav：将3D场景令牌注入视觉语言模型以进行具身导航
机构 * Zhejiang University（浙江大学） ； Shandong University（山东大学）
专题命中 GUI与屏幕智能体 ：VLM(summary_cn,abstract)；vision-language model(abstract)
AI总结 研究针对具身导航中3D场景理解与导航推理协同问题，提出SoftNav方法，通过轻量级投影仪将3D连续表示作为软令牌注入VLM隐藏空间，在HM3D-OVON上超越先前方法，且能零样本转移到其他场景，弥合表征差距实现可转移导航。
Comments 8 pages, 6 figures. Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2026
动作QFormer：视觉-语言-动作模型中动作监督下的结构化表示塑造
机构 * Shanghai Qizhi Institute（上海期智研究院） ； The Chinese University of Hong Kong（香港中文大学） ； Hong Kong Embodied AI Lab（香港具身人工智能实验室） ； Tsinghua University（清华大学） ； University of California, Berkeley（加州大学伯克利分校）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 研究视觉-语言-动作模型中动作监督问题，提出动作QFormer，通过基于指令的查询重组多模态信息。在零样本模拟到真实导航中提升了任务成功率、动作生成正确性等，还改变动作监督塑造多模态表示的方式，为提高VLA性能提供新思路。
触觉：赋予使用计算机的智能体双手和双脚
机构 * Shanghai Jiao Tong University（上海交通大学）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.AI
AI总结 研究针对计算机使用智能体操作层脆弱的问题，提出开源工具Tactile，将异构UI证据转换为基于动作的接口状态，通过特定循环操作。在相关任务中能提升Codex Success@100，证明可靠计算机使用需更强模型及可重用执行基础。
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