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。
多模态大语言模型能理解光学相干断层扫描（OCT）吗？
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 研究探讨多模态大语言模型能否理解OCT，引入OCT - Bench基准，包含多维度细粒度任务，基于多个数据集构建大量选择题，评估20个代表性模型，发现当前模型理解OCT能力不足，为评估模型和推动OCT理解提供基础。
测量和提高内窥镜视觉问答中复杂原子答案的一致性
专题命中 视觉问答 ：VLM(summary_cn,abstract_cn)；visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 研究内窥镜VQA中复杂问题答案一致性，引入EndoCA基准，评估11个VLM，发现部分模型复杂答案准确率高但原子答案准确率及复杂-原子答案一致性低，提出ASR机制，能在选定模型上提高配对复杂-原子正确性及已回答案例准确性。
Comments 7 pages, 5 figures, 6 tables
人工智能生成的以人为中心的视频的多维质量评估：数据集与模型
机构 * Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所） ； USC-SJTU Institute of Cultural and Creative Industry, Shanghai Jiao Tong University（上海交通大学南加州大学文化创意产业学院） ； Polytech Nantes, Université de Nantes（法国南特大学高等理工学院）
专题命中 视觉问答 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 研究针对AI生成的以人为中心的视频质量评估问题，提出扩展数据集HVEval+并构建MoE-Rater模型，该模型采用专家混合及三阶段训练策略，能统一多种任务，在相关数据集上性能优越，推动了视频质量评估及T2V模型优化。
Comments Accepted for publication in IEEE TCSVT, 2026
视频中的思考：视频生成器真的能对现实世界进行推理吗？
机构 * Central South University（中南大学） ； Tencent（腾讯） ； Tsinghua University（清华大学）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 探讨视频生成器能否对现实世界推理，引入因果生成双判断（CGDJ）评估，发现开源模型无明确因果感知却有合理动态，先进闭源系统推理与生成一致性有限，还揭示了视听失调问题。
回答前看清楚：通过显著性驱动的感知重新对齐减轻LVLMs中的幻觉
机构 * Xidian University（西安电子科技大学） ； Tsinghua University（清华大学） ； Shanghai Road Transport Development Center（上海市道路运输发展中心） ； Hunan Institute of Advanced Technology（湖南先进技术研究院）
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV
AI总结 研究针对LVLMs易产生幻觉问题，提出无需训练的SDPR框架，通过显著性驱动注意力重新分配、缓存对齐及先验约束对比解码，整体对齐视觉意识，在多基准测试中优于现有方法，无需额外训练且开销小。
Comments Accepted by ACM Multimedia 2026
多模态和图增强的检索增强生成（RAG）何时有用？文档问答的对照评估
专题命中 视觉问答 ：visual question answering(abstract)
AI总结 研究文档问答中多模态和图增强RAG的作用，提出用多模态图-RAG架构，通过独立检索并融合文本、图和视觉证据源来评估效果。经实验发现其价值取决于多种因素，如检索设计等，还揭示了一些相关问题，如图像检索及生成器效率对结果的影响。
Comments 8 pages, 3 figures
O-VAD：通过以对象为中心的跟踪和推理进行工业视频异常检测
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Griffith University（格里菲斯大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 针对工业视频异常检测，现有基于VLM的方法在工业场景中性能不佳的问题，提出无训练的智能框架O-VAD，通过跟踪对象时空动态和推理状态轨迹来检测异常，在多数据集实验中优于多种方法且能提供可解释报告。
Comments Accepted to ECCV 2026
Med-OPD：通过证据感知策略蒸馏改进医学视觉语言模型
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 研究针对医学视觉语言模型依赖语言先验而非视觉证据推理的问题，提出Med-OPD框架，引入医学证据优势信号，在令牌和轨迹级别重新分配蒸馏信号，实验证明该方法能加强模型对关键视觉证据的依赖，提升多模态医学推理能力。
约束锚定推理轨迹
机构 * University of Oxford（牛津大学）
专题命中 视觉推理 ：LLaVA(abstract)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究自回归多模态大语言模型错误滚雪球问题，提出神经符号框架CART，将自然语言推理与符号约束断言交织，经双管齐下的模块验证约束，防止错误传播，在多基准测试中降低滚雪球率、提高准确率并控制推理开销。
Comments 15 pages, ACM MM 2026
通过生产视觉语言模型在视标图表上进行方向读取：跨推理模式、提示和访问方式的受控多模型评估
专题命中 视觉推理 ：vision-language model(title,abstract)
AI总结 研究通过消费者聊天界面评估四个视觉语言模型在视标图表上读取方向的能力，在多种推理模式、提示变体下运行，发现各模型准确率有差异，错误有特定方向，单一准确率掩盖问题，强调应多轴评估视觉语言模型。
Comments 4 figures, 4 supplementary figures
思考、规划、绘制：统一模型中用于可控图像生成的布局感知推理
机构 * Tencent（腾讯） ； Peking University（北京大学）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究针对统一多模态大语言模型在可控图像生成中难以遵循复杂空间指令的问题，提出ATLAS框架，采用“思考、规划、绘制”范式及布局共享表示，经强化学习提升性能，在图像生成等任务中效果显著，还支持相关编辑与多模态基础，并引入评估基准。
Comments 22 pages, 12 figures, 9 tables
GMoT：用于基于多模态大语言模型的细粒度微手势视频推理的门控运动感知令牌化
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Great Bay University（大湾区大学） ； Dongguan Key Laboratory for Intelligence and Information Technology（东莞市智能信息技术重点实验室）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对微手势识别中运动易被掩盖及MLLMs处理运动学困难的问题，提出GMoT模块，通过空间加权池等提取运动线索并融合，引入渐进奖励引导策略优化范式，在多数据集上表现出色，还提出BRG召回及跨域转移协议。
Comments Accepted to ACM MM 2026
Apple-$π$：基于视频对基于法律的物理智能进行思维基准测试
机构 * S-Lab, Nanyang Technological University（南洋理工大学S-Lab） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 研究针对视频模型评估仅看输出层面的不足，提出Apple-PI基准，含数据集、协议和评估套件三部分，通过对11个模型测试发现其距可靠世界模拟器差距大，并揭示了一些瓶颈与差距，为指导视频模型发展提供诊断基础。
OrientSAM：通过方向感知空间对齐减轻多模态空间推理中以相机为中心的捷径
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究多模态模型空间推理中以相机为中心的问题，提出OrientSAM框架，通过方向感知令牌、傅里叶角度编码及课程学习策略注入方向信息并改善推理，构建数据管道生成监督，实验证明其在多任务中表现出色，能减轻捷径行为，实现更强大的以对象为中心的空间推理。
ConsiSpace：学习几何一致性对视频空间推理很重要
机构 * School of Intelligent Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； School of Computer Science, Peking University（北京大学计算机科学学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 针对视频空间推理中现有模型难以聚合一致空间证据的问题，提出ConsiSpace框架，通过构建几何一致内存及采用统一一致性自监督强化学习，在三个空间推理基准测试上取得成绩提升，平均得分比最强基线高12.6分。
Comments ECCV 2026
派利淘-多模态搜索：构建原生电子商务多模态搜索基础
机构 * Taobao & Tmall Group of Alibaba（阿里巴巴淘宝及天猫集团）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 针对电子商务多模态搜索问题，提出派利淘-多模态搜索基础模型，通过混合语义ID、两阶段持续预训练策略和混合推理后训练管道，在淘宝派利淘平台实现显著改进，提升了商品交易总额和交易量。
Comments Technical Report: Pailitao-MMSearch
LenGuard-GPC：用于空间推理强化学习的带引导提示一致性的长度保护
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 针对多视图空间推理中思维链推理冗长不准确及标准GRPO奖励问题，提出LenGuard-GPC框架，通过比较标准与引导提示下预测分布得KL散度作奖励信号，并引入阶段长度奖励，提升了准确率且缩短了平均响应长度。
FUSAR-R1：一种用于合成孔径雷达图像智能解释的大规模推理模型
机构 * Fudan University（复旦大学） ； Key Laboratory for Information Science of Electromagnetic Waves (MoE)（电磁波信息科学教育部重点实验室）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 针对SAR图像智能解释问题，提出FUSAR-R1模型。通过模拟专家解释构建思维链推理数据指导指令学习，赋予基本推理能力，再用强化学习策略优化输出。该模型在多种SAR解释任务中表现优于现有模型。
超越语义的艺术：用于多关系表示的层状信息对比学习
机构 * University of Zurich（苏黎世大学） ； Max Planck Institute Bibliotheca Hertziana（马克斯·普朗克赫兹iana图书馆研究所） ； Sapienza University of Rome（罗马第一大学） ； Amazon（亚马逊） ； University of Amsterdam（阿姆斯特丹大学） ； The University of Osaka（大阪大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 该研究针对视觉语言模型丢失艺术作品多关系结构的问题，引入受层理论启发的CANVAS框架，通过多嵌入和对比损失学习关系感知多模态表示，在新基准测试中表现优于基线，证明多关系对齐在艺术理解中兼具理论与实践价值。
Comments Accepted to ECCV 2026
当一个名字并非名字时：低资源语言模型中文化纠缠的孟加拉语同形异义词的基准数据集和提炼推理
机构 * United International University（联合国际大学）
专题命中 视觉推理 ：grounding(abstract)
AI总结 研究针对低资源语言模型中孟加拉语同形异义词文化纠缠问题，构建基准数据集。发现模型有主导意义偏差，特定模型失败。提出对比性思维链提示及提炼文化解释，能减少偏差，让小模型正确推理，提升系统性能。
PERA：一种感知-推理-行动接口，用于6G的传感、认知推理和可信智能体响应
专题命中 视觉推理 ：grounding(abstract)
AI总结 研究针对下一代网络实现中传统机器学习和大语言模型的局限，提出基于感知-推理-行动（PERA）范式的生成网络智能，用多任务架构取代边缘模型，降低复杂性与能耗，通过案例研究验证其在链路状态分类和波束预测上的有效性。
Comments 9 pages, 5 figures, 1 table, magazine paper, submitted to IEEE for possible publication
ST-Veto：通过泰勒预测和视觉基础实现用于扩散多模态语言模型的时空令牌否决
专题命中 视觉定位与Grounding ：grounding(title)；VLM(abstract,abstract_cn)；vision language model(abstract)；multimodal large language model(abstract)
AI总结 研究针对扩散多模态大语言模型推理不足问题，提出无需训练的ST-Veto方法，利用二阶泰勒预测和图像注意力质量否决不稳定及弱基础令牌，与更安全候选交换，在多基准测试中优于其他方法，提升准确率且无额外成本。
Comments ICML 2026 - main
基于自主虚拟现实的危险环境态势感知风险检测
机构 * Interactive Robotics and Language Lab, University of Maryland Baltimore County（马里兰大学巴尔的摩县分校交互式机器人与语言实验室） ； DEVCOM Army Research Laboratory（陆军研究实验室）
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 研究在高风险环境中，提出基于VR的人机交互框架，利用VLM辅助机器人识别潜在危险并标注兴趣点，通过VR界面呈现给操作员，经实验验证该方法能有效支持态势感知，提升交互体验。
Comments 7 Pages, Accepted to RO-MAN 2026
TimeLens2：使用多模态大语言模型进行通用视频时间定位
机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 研究通用视频时间定位问题，TimeLens2将时间证据视为区间集，通过多种策略构建多跨度监督，其时间瓦瑟斯坦奖励等方法提供反馈，在多个基准测试中表现出色，不同变体均有性能提升。
Comments Technical Report
WeedExpert-R1：通过强化学习激励多模态大语言模型进行精准杂草定位的植物推理
机构 * University of Nebraska-Lincoln（内布拉斯加大学林肯分校） ； Panhandle Research and Extension Center（狭长地带研究与推广中心）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 研究针对精准杂草控制问题，提出通过可验证奖励学习视觉基础植物推理的WeedExpert-R1模型，利用特定合成管道生成数据微调，经群体相对策略优化训练。该模型在多种杂草测试中表现优异，优于同类模型，展现开放词汇能力和跨区域部署潜力。
用于多模态大语言模型的几何增强部分估计
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 研究针对多模态大语言模型部分估计弱的问题，提出用精确部分头部增强冻结商业MLLM的方法，该头部基于DINOv2主干构建，无需深度传感器和微调，在三个基准测试中降低部分误差，优于旗舰MLLM及原图像模型。
经验基础提升了在干扰期间模拟人类行为的大语言模型智能体的现实性
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI
AI总结 研究探讨经验基础对提升LLM智能体模拟人类行为现实性的作用，开发基于经验的框架，将多项调查数据嵌入其中，通过实验验证该框架能显著提升模拟效果，使LLM智能体成为更具统计可信度的人口行为模拟器。
SkyVLaM：用于遥感中无人机视频理解的多模态大语言模型
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； Beijing Wuzi University（北京物资学院）
专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；分类 cs.CV
AI总结 针对无人机视频理解任务，提出多模态大语言模型SkyVLaM，通过时间基感知器构建稀疏令牌，正则化稀疏基，自适应选择密集段，联合大语言模型处理，还构建SkyVid，实验证明其能有效分配视觉令牌预算，提升语言条件视频分割效果。
Comments Accepted by WAICA 2026
现代视觉语言模型中用于强像素级图像篡改检测的简单域泛化
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University College London（伦敦大学学院） ； Weizmann Institute of Science（魏茨曼科学研究所）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究现代视觉语言模型中像素级图像篡改检测的域泛化，提出基于平衡小批量采样和后期注入策略的简单训练框架，大幅提升平均gIoU和cIoU，增强了篡改定位和分布外鲁棒性。
Comments Our code is available at https://github.com/VILA-Lab/PIXAR-DG
用于无训练测试时医学图像分割的内存支持协同适应
机构 * School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院） ； School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院） ； Information Systems Technology and Design Pillar, Singapore University of Technology and Design（新加坡科技设计大学信息系统技术与设计支柱）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 研究针对医学图像分割中测试时适应的挑战，提出内存支持协同适应（MSSA）框架，不更新模型参数，通过构建在线内存、文本引导语义先验及跨图像结构对齐实现稳健适应，实验证明其优于现有方法。
Comments 18 pages, ECCV 2026
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