视觉大模型 / VLM

FARM: Find Anything using Relational Spatial Memory

FARM: 使用关系空间记忆找到任何物体

Siming He, Leo Huang, Adam Lilja, Fabio Huebel, Jonas Frey, Marco Pavone, S. Shankar Sastry, Jitendra Malik, Claire Tomlin

机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；grounding(abstract)

AI总结 提出FARM系统，通过实时构建包含几何、视觉语言描述和视角证据的开放词汇物体级记忆，并利用VLM解析查询和显式空间约束，在44k语言查询中Recall@5和Recall@10分别提升164%和224%，Accuracy@1提升35%。

Mixture-of-Thought-Tokens: Unifying Perception and Reasoning for Free-form Multimodal Grounding

思想令牌混合：统一感知与推理以实现自由形式多模态基础定位

Tianyi Gao, Han Fang, Tianyi Ding, Hao Li, Xin Wei, Hongbo Sun, Xiaodong Dong, Ye Yuan, Jinglin Xu, Kongming Liang, Hao Sun, Jingmin Xin

机构 * Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所） ； Xingchen AGI Lab, China Telecom Artificial Intelligence Technology (Beijing) Co., Ltd（星辰通用人工智能实验室，中国电信人工智能技术（北京）有限公司） ； University of Science and Technology Beijing（北京科技大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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 研究旨在统一多模态基础定位中的感知与推理。提出思想令牌混合（Motto）方法，通过空间接地思想令牌化及上下文自适应令牌链实现，构建PR-Bench基准，实验证明该方法在自由形式接地任务中达领先性能。

Comments Accepted by ACM MM 2026

MM-ShiftKV: Decode-Aware Prefill-Stage KV Selection for Multimodal Large Language Models

MM-ShiftKV：用于多模态大语言模型的解码感知预填充阶段键值选择

Jinsong Shu, Chenyang Wu, Zhongle Xie, Baokun Wang, Lidan Shou

机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术产业开发区（滨江）区块链与数据安全研究院） 纠错

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

AI总结 研究多模态大语言模型中KV缓存问题，提出MM-ShiftKV方法，通过构建方差扩展查询代理近似解码时查询行为，基于聚合注意力质量估计KV重要性，在严格缓存预算下性能优于现有方法。

Comments 19 pages, 11 figures

Schema-Aware Localisation (SAL): Live Schema Grounding and Hallucination Validation for Oracle NL2SQL

模式感知本地化（SAL）：用于Oracle NL2SQL的实时模式基础与幻觉验证

Sanjay Mishra, Divya Chukkapalli, Ganesh R. Naik

机构 * Torrens University Australia（澳大利亚托伦斯大学） 纠错

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

AI总结 研究大型语言模型在Oracle数据库执行SQL失败的问题，提出模式感知本地化（SAL）轻量级中间件，通过构建实时模式映射、注入上下文及幻觉索引验证等方法，提升执行基础真值，减少执行失败率。

Comments 18 pages , 3 figures , 14 tables ,1 algorithm

An LMM for Precisely Grounding Elements in Documents

一种用于精确文档元素定位的大型多模态模型

Yijian Lu, Chuangxin Zhao, Kai Sun, Lei Hou, Ji Qi, Juanzi Li

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

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

AI总结 提出PreciseDoc，一种通过合成数据与强化学习联合训练实现文档元素精确定位的大型多模态模型，显著提升文档理解与视觉定位精度。

Coherent Without Grounding, Grounded Without Success: Observability and Epistemic Failure

无需基础的协调，协调的无需成功：可观测性与认知失败

Camilo Chacón Sartori

机构 * Institut Català de Nanociència i Nanotecnologia (ICN2)（加泰罗尼亚纳米科学与纳米技术研究所（ICN2）） ； Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC）） 纠错

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

AI总结 本文探讨了大型语言模型在低可观测性和高可观测性领域中协调与基础的分离现象，提出认知三角模型以评估人工智能代理的认知能力。

Comments Error found in some results. I need to correct it before re-uploading

GEAR: Reconstruction of Classical Paintings via Geometry Grounding and Appearance Restitution

GEAR：通过几何定位和外观还原重建古典绘画

Qinyu Zhang, Xinda Liu, Yunchen Li, Yunzhuo Liu, Chenxi Hu, Kang Li, Guohua Geng

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

AI总结 研究旨在解决从单幅古典绘画重建3D场景的难题，提出免训练的GEAR框架，先通过几何定位增强3D高斯重建稳定性，再在空间约束下恢复外观，经实验验证其在多方面优于基线，还构建了相关基准。

Comments Accepted by ACM MM 2026

Like a bilingual baby: The advantage of visually grounding a bilingual language model

像双语婴儿一样：视觉基础双语语言模型的优势

Khai-Nguyen Nguyen, Zixin Tang, Ankur Mali, Mary ALexandria Kelly

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

AI总结 研究旨在探讨视觉基础对双语语言模型的影响，通过在英西双语图像及字幕上训练LSTM模型，发现视觉基础能提升模型对语义相似性的理解及降低困惑度，为视觉基础语言模型优势提供证据，指出需更多自然语言数据。

Comments Preprint, 7 pages, 2 tables, 1 figure

Task-Conditional Faithfulness Auditing of Multimodal LLMs for Grid Diagnosis

用于电网诊断的多模态大语言模型的任务条件忠实性审计

Tianqiao Zhao, Meng Yue, Jianhui Wang

机构 * The University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； Brookhaven National Laboratory（布鲁克海文国家实验室） ； Southern Methodist University（南卫理公会大学） 纠错

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

AI总结 研究针对多模态大语言模型用于电网诊断时答案准确性与证据使用的问题，提出通用框架进行任务条件忠实性审计，通过比较多种依赖并设计校正和重新审计机制，经案例研究验证了框架检测、诊断及纠正相关失败的能力。

ReflexTrack: A Feedback-Driven Agent for Training-Free Referring Video Object Segmentation

ReflexTrack：一种用于无训练的引用视频对象分割的反馈驱动智能体

Yuanjia Li, Tianyang Xu, Tao Zhou, Zhangyong Tang, Xiao-Jun Wu, Josef Kittler

机构 * School of Artificial Intelligence and Computer Science, Jiangnan University（江南大学人工智能与计算机科学学院） ； Centre for Vision, Speech and Signal Processing, University of Surrey（萨里大学视觉、语音和信号处理中心） 纠错

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

AI总结 研究针对引用视频对象分割问题，提出无训练、反馈驱动的ReflexTrack智能体。通过掩码引导空间细化和视频级掩码反射实现空间与时间层面反馈，提升预测可靠性，在Ref-VPS和ReasonVOS上取得较好分数。

Memory for Attention: Language-Conditioned Re-Perception with a Vision--Language--Motion Map

注意力的记忆：通过视觉-语言-运动地图进行语言条件下的重新感知

Dibyendu Ghosh

专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)

AI总结 研究携带行为注释地图的机器人的规划问题，通过将重新感知视为注意力决策，利用持久地图的记忆实现资源分配优化，在语言条件任务中表现出色，证明地图能指导机器人关注重点，而非空间导航。

Separating Clicks from Baits: Using Large Language Models to Detect Misleading YouTube Thumbnails

从诱饵中分离点击：使用大语言模型检测误导性的YouTube缩略图

Wajiha Naveed, Muhammad Muneeb Pervez, Zaeem Mohtashim Khan, Zafar Ayyub Qazi, Zartash Afzal Uzmi

专题命中 视觉定位与Grounding ：vision-language model(abstract)；LLaVA(abstract)

AI总结 研究针对YouTube等平台误导性缩略图问题，提出用大语言模型的多模态检测管道，构建数据集并评估多个模型，发现Claude 3.5 Sonnet性能突出，通过失败分析为视频平台发展提供方向。

Comments Accepted to the 21st International AAAI Conference on Web and Social Media (ICWSM 2027)

Journal ref Proceedings of the International AAAI Conference on Web and Social Media, 2027

AutoWorld: Learning Multi-Agent Traffic Simulation with Self-Supervised World Models

AutoWorld: 通过自监督世界模型扩展多智能体交通仿真

Mozhgan Pourkeshavarz, Tianran Liu, Nicholas Rhinehart

机构 * University of Toronto（多伦多大学） 纠错

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

AI总结 本文提出AutoWorld框架，利用未标记的LiDAR数据自监督学习世界模型，提升多智能体交通仿真的真实感与性能，实验表明未标记数据能有效提升仿真效果。

Quotient Tree Arithmetic: Deferred-Division Computation with Bounded Symbolic Depth and Cross-Subtree Cancellation

商树算法：具有有界符号深度和跨子树抵消的延迟除法计算

Gregory Magarshak

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

AI总结 研究提出商树算法（QTA），值以延迟商对表示，比值延迟求值。有界深度增长、跨子树抵消和延迟稳定性三个定理支撑。用于机器学习训练有多种优势，还提出矢量化硬件归一化指令，代数基础是环的局部化，联系代数结构理论与硬件原生算术。

Comments 20 pages, 3 tables

Self-Distillation of Hidden Layers for Self-Supervised Representation Learning

隐藏层自蒸馏用于自监督表示学习

Scott C. Lowe, Anthony Fuller, Sageev Oore, Evan Shelhamer, Graham W. Taylor

机构 * Vector Institute（向量研究所） ； Carleton University（卡尔顿大学） ； Dalhousie University（达尔豪斯大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Guelph（圭尔夫大学） 纠错

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

AI总结 本文提出Bootleg方法，通过预测教师网络多层隐藏层的潜在表示，提升自监督学习中高层概念特征的学习能力，在ImageNet-1K等数据集上表现优于基线方法。

Evaluating RAG for French immigration law: a benchmark and baseline study

评估法国移民法的RAG：一项基准和基线研究

Annia Abtout, Julien Delaunay, Monika Ewa Rakoczy

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

AI总结 研究法国国际招聘的法律框架，通过公开基准比较参数化语言模型基线与密集检索增强在两种模型规模下对52个合成档案的效果，发现检索能改进行政指导，凸显检索基础的重要性，推动混合检索策略研究。

Journal ref International workshop on AI for Human Resources and Public Employment Services (ECML-PKDD 2026)

From Proprietary to Open-Source: Bridging the Distribution Gap via Multi-Agent Protocol Distillation in Agentic Search

从专有模型到开源模型：通过智能体搜索中的多智能体协议蒸馏弥合分布差距

Junlin Liu, Jiangwang Chen, Zixin Song, Shuaiyu Zhou, Chunji Lv, Hank Wu, Kailin Jiang, Jinyang Wu, Bohan Yu, Chenxi Zhou

机构 * Beijing Institute of Technology（北京理工大学） ； East China Normal University（华东师范大学） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 研究旨在弥合专有与开源模型分布差距，提出多智能体协议蒸馏（MAPD）框架，利用结构化协议作中间表示，结合蒸馏与强化学习，在问答基准测试中表现出色，有效减轻学生策略问题，优于其他竞争方法。

MemChain: Learning Interpretable Memory Traces for Memory-Augmented LLM Agents

MemChain：为内存增强型大语言模型智能体学习可解释的内存痕迹

Yiwen Ma, Songjun Tu, Qichao Zhang, Dong Li, Linjing Li, Dongbin Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学交叉科学学院） ； Memorax AI（Memorax人工智能公司） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

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

AI总结 研究针对内存增强型大语言模型智能体检索内存回答查询存在的问题，提出MemChain可训练检索后内存策略，经两阶段学习框架训练，能生成有效证据上下文，实验证明其在多种模型上性能领先且减少内存上下文。

Agentic Cloud Decoys: A Deception-Driven Framework for Autonomous Intrusion Investigation

智能云诱饵：一种用于自主入侵调查的欺骗驱动框架

Mohan Manivannan, Dalal Alharthi

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

AI总结 研究针对云遥测使入侵理解困难的问题，提出云诱饵人工智能代理框架，通过会话聚合运算符、动态提示生成等方法，在十个AWS S3场景测试中效果良好，能压缩调查路径，多数场景可完全重建，且延迟短。

IndicTalk: A Large-Scale Persona-Based Multilingual Conversational Corpus for Indic Languages

IndicTalk：用于印度语言的大规模基于角色的多语言对话语料库

Sahil Deepak Gawande, Mayank Singh

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

AI总结 针对印度语言高质量多语言代码混合对话资源稀缺问题，提出通过全自动管道生成IndicTalk语料库，涵盖多种印度语言变体，经多种评估表现良好，将发布该语料库支持相关人工智能开发评估。

MPR-CiteG: Enhancing RAG with Multi-Portfolio Retrieval and Citation-Grounded Generation

MPR-CiteG：通过多组合检索和引用基础生成增强RAG

Hyewon Lee, Minkyung Song, Junghyun Oh, Seunghoon Han, Sungsu Lim

机构 * Chungnam National University（忠南国立大学） ； Data Intelligence Laboratory（数据智能实验室） 纠错

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

AI总结 该研究针对生成式AI检索低效与缺来源验证问题，提出双组件MPR-CiteG框架，用多组合检索器高效检索，引用基础生成模块确保输出事实一致且有源可溯，经实验验证其有效性与可靠性，助力构建更可信准确的大语言模型。

Comments 12 pages, 1 figure, 7 tables. The 1st International Workshop on Retrieval-Driven Generative AI & ScienceON AI Challenge 2025@CIKM

MedLoCoMo: A Long-Context Multi-Session Medical Dialogue Benchmark for Large Language Models

MedLoCoMo：用于大语言模型的长上下文多会话医学对话基准

Zeyu Zhang, Ziqing Wang, Kaize Ding

机构 * Northwestern University（西北大学） 纠错

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

AI总结 研究针对大语言模型在多入院医学对话临床推理方面的不足，构建MedLoCoMo基准，通过特定方法生成问答项目，含100个患者时间线，发现跨入院推理比局部证据使用难，提供代码和基准供使用与复现。

Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile Manipulation

探索性、交流性和可部署性：用于开放世界移动操作的视觉驱动具身智能体

Boyu Mi, Mengchen Ma, Yifei Yao, Xing Gao, Junting Chen, Yangzi Li, Zihou Zhu, Guohao Li, Zhenfei Yin, Tai Wang, Yao Mu, Jiangmiao Pang, Hanqing Wang

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

AI总结 研究针对具身智能体现实部署难题，提出REAL框架，通过建立一致环境API、设计任务组合优化性能，引入REAL - Bench评估。实验显示其智能体在交互式任务中表现出色，在物理机器人上也实现高成功率，弥合现实差距。

Comments Accepted to ECCV 2026. 57 pages. Code available at https://github.com/InternRobotics/REAL

CLMASP: Coupling Large Language Models with Answer Set Programming for Robotic Task Planning

CLMASP：将大语言模型与答案集编程耦合用于机器人任务规划

Xinrui Lin, Yangfan Wu, Huanyu Yang, Yu Zhang, Yanyong Zhang, Jianmin Ji

机构 * University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） 纠错

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

AI总结 本文提出CLMASP方法，结合大语言模型和答案集编程，解决机器人任务规划中计划落地问题，实验显示其执行率显著提升。

Comments 9 pages, accepted to IJCAI 2025 Main Track

ABISS: Evaluating Text-to-SQL Systems Through Agent Interaction

ABISS：通过代理交互评估文本到SQL系统

Giovanni Sullutrone, Luca Sala, Sania Aftar, Georgia Koutrika, Sonia Bergamaschi

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

AI总结 研究针对文本到SQL系统在处理现实模糊问题的不足，提出统一分类法、多代理生成管道及动态模拟环境ABISS。通过实验揭示模型在子类别分类和澄清条件下SQL生成的瓶颈，提供真实类别虽有收益，但模糊问题执行率仍低，且发布相关代码。

From Signals to Behaviors: Evidence-Based Android Malware Detection

从信号到行为：基于证据的安卓恶意软件检测

Shiwen Song, Yiheng Xiong, Sen Chen, Xiaofei Xie

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

AI总结 研究安卓恶意软件检测问题，提出Praxis方法，通过假设-确认-判断流程，从静态信号出发结合程序分析和上下文判断恶意行为。实验证明该方法检测性能优，能降低误报率并恢复细粒度行为，各阶段对性能均有贡献。

Comments 12 pages, 6 figures

Auditing Institutional Heterogeneity for Generative AI in Patient Education: A Large-Scale Study of 102 US Transplant Handbooks

审核患者教育中生成式人工智能的机构异质性：对102本美国移植手册的大规模研究

Yubo Li, Rema Padman, Ramayya Krishnan

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

AI总结 研究针对美国23个移植中心的102本手册及相关患者问题，用结构化输出大语言模型评判器审核。发现机构编辑风格超越器官类型界限，信息差距在特定主题突出，分歧主题聚类，且可由问题框架预测分歧，探讨了对移植护理中部署生成式人工智能的影响。

Sketch Bug: Using Sketch-Based Input for Interactive Code Debugging

Sketch Bug：使用基于草图的输入进行交互式代码调试

Helen Weixu Chen, Daniel Vogel

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

AI总结 研究使用类似草图的笔输入作为交互式调试中执行控制的替代方式，通过手势识别与Python执行跟踪结合的原型系统，实验表明草图输入可支持断点设置、逐步执行等任务，但在精度、识别和手势记忆方面存在挑战。

Comments Accepted at Graphics Interface 2026 (GI 2026). 9 pages, 7 figures

Chart Deception in Vision-Language Models: From Vulnerability to Mitigation

视觉语言模型中的图表欺骗：从漏洞到缓解

Ridwan Mahbub, Mohammed Saidul Islam, Md Tahmid Rahman Laskar, Mizanur Rahman, Mir Tafseer Nayeem, Enamul Hoque

机构 * York University（约克大学） ； University of Alberta（阿尔伯塔大学） 纠错

专题命中 文档图表理解 ：vision-language model(title,abstract)；VLM(summary_cn,abstract_cn)；分类 cs.AI

AI总结 研究视觉语言模型对图表欺骗的鲁棒性，引入VisDeception基准和欺骗分数，发现模型易受影响，提出推理时多智能体缓解框架，揭示可靠性差距，确立相关评估及推理方向以开发更可信的视觉分析VLM。

When Low CER is Not Enough: An Analysis of Hallucinations in Vision-Language OCR Systems on Historical Uruguayan Documents

当低字符错误率还不够时：对乌拉圭历史文档视觉语言OCR系统中幻觉的分析

Marina Gardella, Camilo Mari{ñ}o, Diego Belzarena, Ignacio Ram{í}rez, Gregory Randall, Jean-Michel Morel

专题命中 文档图表理解 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.LG

AI总结 研究乌拉圭历史文档视觉语言OCR系统，在Berrutti数据集上对比传统OCR与VLM方法，发现VLM虽CER和WER优，但存在系统性失败模式，揭示了定量性能与转录保真度差距，强调需超越字符级准确性的评估框架。