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。
ABot-AgentOS：一个具有终身多模态记忆的通用机器人智能体操作系统
机构 * AMAP CV Lab（AMAP计算机视觉实验室）
专题命中 视觉问答 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 研究针对长期具身智能体运行需求，提出ABot-AgentOS通用机器人智能体操作系统，引入EmbodiedWorldBench基准，采用通用多模态图记忆及失败驱动自我进化循环，在相关测试中表现良好，证明该系统层可提升具身执行并提供持久记忆。
Comments Code: https://github.com/amap-cvlab/ABot-AgentOS Project page: https://amap-cvlab.github.io/ABot-AgentOS
基于最大可满足性的反馈在数独中引导视觉语言模型
机构 * Artificial Intelligence Research Institute (IIIA), Consejo Superior de Investigaciones Científicas (CSIC)（人工智能研究所（IIIA），西班牙科学研究高级理事会（CSIC）） ； Institut de Robòtica i Informàtica Industrial (IRI-CSIC-UPC)（工业机器人与信息学研究所（IRI-CSIC-UPC））
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(title)；visual reasoning(abstract)；分类 cs.AI
AI总结 研究在数独中引导视觉语言模型的问题，提出通过MaxSAT预言机将形式约束推理集成到VLM求解过程的神经符号方法，经实验验证该方法能提高逻辑一致性和解决实例数量，增强视觉语言推理可靠性。
Comments Accepted at the 25th EPIA Conference on Artificial Intelligence, EPIA 2026. 16 pages, 1 figure, and 1 table
多模态焦点的潮起潮落：为基于视觉的语言模型推理调度视觉中继窗口
机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； School of Fashion and Textiles, The Hong Kong Polytechnic University（香港理工大学纺织及制衣学院） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）
专题命中 视觉推理 ：VLM(title,abstract)；vision-language model(abstract)；grounding(abstract)；分类 cs.AI
AI总结 研究视觉语言模型视觉证据不稳定问题，通过剖析其内部多模态注意力焦点的三阶段分布，提出TRACE框架，该框架能自适应控制推理，在多模型和多基准测试中显著提升基于证据的多模态推理能力。
OmniFood-Bench：评估用于营养推理和个性化健康建议的视觉语言模型
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 介绍OmniFood-Bench基准评估用于营养推理和个性化健康建议的VLMs，基于MM-Food-100K数据集，评估其三种能力，实验发现模型在菜品命名与质量估计等方面存在“语义-物理差距”，为公共卫生自主智能体建立可信度标准。
VCG-Bench：迈向统一的视觉导向基准，用于结构化生成与编辑
机构 * The Hong Kong University of Science and Technology (GuangZhou)（香港科学与技术大学（广州）） ； Huawei Technologies Co., Ltd（华为技术有限公司） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； South China University of Technology（华南理工大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出VCG-Bench，一个统一的视觉导向mxGraph任务基准，通过符号逻辑和XML实现精确的图表生成与编辑，解决现有方法在结构化任务中的局限性。
Comments Accepted by ICML2026, 37 pages, 10 figures
生成模型了解空间：解锁隐式3D先验用于场景理解
机构 * Huazhong University of Science and Technology（华中科技大学） ； Baidu Inc.（百度公司）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出通过大规模视频生成模型的隐式空间先验提升场景理解，引入VEGA-3D框架，利用预训练视频扩散模型作为潜在世界模拟器，通过时空特征提取与语义融合增强大语言模型的几何信息，实验验证其在3D场景理解、空间推理和具身操控中的优越性。
Comments Accepted by ECCV 2026
LVSum：一个用于时间感知长视频摘要的基准测试
机构 * Apple（苹果公司）
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract_cn)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出LVSum基准测试，用于评估长视频摘要中时间对齐的性能，通过引入新的评估指标揭示现有MLLM在时间理解上的系统性差距。
Comments 25 pages, 5 tables, 3 figures
RLearner-LLM: 通过混合直接偏好优化平衡大语言模型中的逻辑性与流畅性
机构 * University of Auckland（奥克兰大学） ； Aalto University（阿alto大学）
专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.AI
AI总结 本文提出RLearner-LLM，通过融合DeBERTa-v3 NLI信号与验证器LLM评分，解决直接偏好优化在知识密集型生成中的逻辑对齐问题，实现NLI指标显著提升。
RESOURCE2SKILL: 从人类创建的多模态资源中提取可执行智能体技能
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Shanghai Jiao Tong University（上海交通大学） ； Microsoft（微软）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出RESOURCE2SKILL框架，从教程视频、代码库、文章等人类多模态资源中提取可执行技能，构建分层多模态技能维基，提升智能体在七个领域的任务表现。
黑暗人格特质与在线毒性：将自我报告与Reddit活动联系起来
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 研究探讨了黑暗人格特质与在线行为之间的关系，发现自我报告的不文明互动与黑暗人格特质相关，但计算特征无法可靠预测人格特质。
Comments Article published in Computers in Human Behavior. Please cite the published version
Journal ref Computers in Human Behavior, 2026
LR-Robot：一种结合大语言模型的实时系统性文献综述统一监督智能框架
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出LR-Robot框架，结合AI与专家监督，实现系统性文献综述的多维分类、关系映射和细粒度主题演化分析，通过期权定价案例展示其在文献综合中的应用与效果。
Comments I've uploaded an updated paper and now it's already on arXiv (arXiv:2604.14793)
EmbodiedDiffusion：用于异构机器人导航的端到端可通行性引导视觉扩散
机构 * Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology（智能空间机器人实验室，数字工程中心，斯克尔科沃科学与技术研究所）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)
AI总结 针对自主导航中视觉可通行性估计问题，EmbodiedDiffusion框架利用无规划器合成监督等，同时预测可通行性地图与生成可行轨迹，经训练提炼语义到轻量级模型，能快速适应新平台，在多机器人室内环境中实现高效导航与轨迹生成。
Comments This work has been submitted for publication and is currently under review
FAIR_XAI: 通过可解释性提升多模态基础模型公平性以用于幸福感评估
机构 * Department of Computer Science & Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Harvard University（哈佛大学）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；VLM(abstract)；分类 cs.AI、cs.LG
AI总结 本文研究了多模态基础模型在幸福感评估中的公平性问题，通过可解释性干预框架改善诊断可靠性与公平性，发现不同模型在不同数据集上表现差异显著，且存在性别和种族偏见。
Comments 11 pages, 4 figures
MVI-Bench：评估大型视觉语言模型对误导性视觉输入鲁棒性的综合基准
机构 * Department of Computer Science, University of Illinois Chicago, Chicago, USA ； School of Computer Science \& Engineering, Southeast University, Nanjing, China ； Guohao School, Tongji University, Shanghai, China
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.CV
AI总结 针对现有鲁棒性基准忽视误导性视觉输入的问题，提出MVI-Bench基准，基于视觉基元的三级层次（视觉概念、视觉属性、视觉关系）构建6个类别1248个VQA实例，并引入MVI-Sensitivity指标进行细粒度评估，揭示18个LVLM的显著脆弱性。
Comments 18 pages, 9 figures
RhinoVLA 技术报告
机构 * Huixi Intelligence（慧溪智能）
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；分类 cs.LG
AI总结 针对边缘硬件上VLA模型部署延迟问题，提出RhinoVLA，通过令牌高效骨干、连续动作专家和统一接口实现实时闭环控制，在Huixi R1上达到11.69 Hz推理速度。
PASs-MoE：通过路径激活子空间减轻路由器与专家之间的错位协同漂移以进行持续学习
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； National University of Singapore（新加坡国立大学） ； Southeast University, Nanjing, China（南京东南大学） ； Wuhan AI Research, Wuhan, China（武汉人工智能研究院）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.AI、cs.LG
AI总结 研究持续指令调整中多模态大语言模型的问题，提出基于路径激活子空间的固定容量PASs - MoE - LoRA方法，含PAS引导的重新加权和PAS感知的秩稳定，实验表明该方法在准确性和抗遗忘性上优于基线和变体且不增参数。
Comments Published in the Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026), Volume 1: Long Papers. 14 pages. Code is available at https://github.com/yueluoshuangtian/PASs-MoE
Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 31959--31972, San Diego, California, United States, July 2026. Association for Computational Linguistics
数字万神殿：使用大语言模型智能体模拟和审计联盟形成
机构 * Ghent University（根特大学）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
AI总结 该研究针对政治联盟形成谈判，提出结合多种技术的多智能体框架，在弗拉芒选举中实施，通过引入相关拓扑、分数和检验使其可解释，模拟产生稳定结果，能可靠预测现实，提供了探索政党兼容性等的测试平台。
Comments 11 pages, 2 figures, 5 tables, To be published in the AIDEM Workshop proceedings of the ECML PKDD 2026 Conference
多模态大模型中可靠性优先的细粒度生成
机构 * Beijing Key Laboratory of Intelligent Information Technology, School of Computer Science & Technology, Beijing Institute of Technology（北京智能信息科技重点实验室，计算机科学与技术学院，北京理工大学） ； Guangdong Laboratory of Machine Perception and Intelligent Computing, Shenzhen MSU-BIT University（广东机器感知与智能计算实验室，深圳MSU-BIT大学） ； Department of Electrical and Computer System Engineering, Monash University（电子与计算机系统工程系，莫纳什大学）
专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV
AI总结 针对多模态大模型细粒度生成易出错的问题，提出GranFact基准和层次感知评估算法，并基于直接偏好优化提出可靠性优先的偏好优化方法，提升细粒度生成同时保持可靠性。
Comments Equal contribution: Xiaomeng Fan and Wu Wei. Corresponding authors: Zhi Gao and Yunde Jia
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