视觉大模型 / VLM

Detect Before You Leap: Mirage Detection in Vision-Language Models

在跳跃前检测：视觉语言模型中的幻象检测

Sayeed Shafayet Chowdhury, Md. Shaown Miah, S. M. Taiabul Haque, Syed Ishtiaque Ahmed

机构 * Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校） ； Bangladesh University of Engineering and Technology（孟加拉工程与技术大学） 纠错

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

AI总结 针对视觉语言模型在缺乏视觉证据时产生自信但无根据回答的幻象问题，提出文本条件层内对齐方法，通过分析视觉编码器各层补丁令牌与问题嵌入的对齐轨迹，结合像素统计、零样本域路由和结构化自评估，实现高精度预响应幻象检测。

MEDIC-AD: Towards Medical Vision-Language Model's Clinical Intelligence

MEDIC-AD：迈向医疗视觉-语言模型的临床智能

Woohyeon Park, Jaeik Kim, Sunghwan Steve Cho, Pa Hong, Wookyoung Jeong, Yoojin Nam, Namjoon Kim, Ginny Y. Wong, Ka Chun Cheung, Jaeyoung Do

机构 * AIDAS Laboratory, Seoul National University（首尔大学AIDAS实验室） ； Samsung Changwon Hospital（三星昌原医院） ； Samsung Medical Center（三星医疗中心） ； NVIDIA, Santa Clara, USA（英伟达（美国圣克拉拉）） 纠错

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

AI总结 MEDIC-AD通过分阶段框架提升医疗视觉-语言模型在病变检测、症状跟踪和视觉可解释性方面的性能，实现临床应用中的最优表现。

Journal ref CVPR 2026

CLBench-V: Evaluating Multimodal Context Learning from Grounding to Knowledge Acquisition

CLBench-V：评估从基础到知识获取的多模态上下文学习

Lai Wei, Chengqi Li, Jiapeng Li, Ruina Hu, Yue Wang, Weiran Huang

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与工程学院） ； Zhongguancun Academy（中关村科学城创新中心） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 研究多模态上下文学习问题，引入CLBench-V基准，围绕上下文基础、新信息应用和新知识学习三个维度组织任务，结合公共基准与新数据集，经自动化程序构建，测试六个模型，分析相关因素，揭示多模态上下文学习远未饱和及各模型表现情况。

AGMark: Attention-Guided Dynamic Watermarking for Large Vision-Language Models

AGMark：基于注意力的动态水印技术用于大视觉-语言模型

Yue Li, Xin Yi, Dongsheng Shi, Yongyi Cui, Gerard de Melo, Linlin Wang

机构 * East China Normal University（华东师范大学） ； Hasso Plattner Institute（哈索普拉特纳研究所） ； University of Potsdam（波茨坦大学） 纠错

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

AI总结 AGMark通过动态注意力机制提升大视觉-语言模型的水印可靠性，实现高质量生成和强视觉语义保真度。

Comments KDD 2026

RRS-10K: A Multitask Vision-Language Model Benchmark for Rare Remote Sensing Image Interpretation

RRS-10K：用于罕见遥感图像解释的多任务视觉语言模型基准测试

Yuqiao Lai, Jiancheng Qi, Fei Wang, Yuxin Liu, Kun Li, Ye Chen, Yan Gao, Yanyan Wei

机构 * Laboratory of Intelligent Language Processing, National University of Defense Technology（国防科技大学智能语言处理实验室） ； Hefei University of Technology（合肥工业大学） ； 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） ； United Arab Emirates University（阿联酋大学） 纠错

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

AI总结 针对视觉语言模型在罕见遥感图像解释能力不足的问题，提出RRS-10K基准测试，含军事遥感图像及问答对，构建时引入干扰项过滤策略，评估多个模型，揭示其性能弱点，为开发更可靠的遥感视觉语言模型提供指导。

Unlocking Spatial Grounding in Large Audio-Visual Retrieval models

在大型视听检索模型中解锁空间定位

Hugo Malard, Michel Olvera, Sanjeel Parekh, Gaël Richard, Slim Essid, Stéphane Lathuilière

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

AI总结 研究针对视听声源定位任务，利用大规模视听检索模型的潜在表示，引入LAIP框架，通过音频信息池化恢复局部空间信息，在相关数据集上取得领先性能，证明可从现有检索表示解锁定位，为检索和定位任务提供统一路径。

RefBench-PRO: Perceptual and Reasoning Oriented Benchmark for Referring Expression Comprehension

RefBench-PRO：面向感知与推理的指称表达理解基准

Tianyi Gao, Hao Li, Han Fang, Xin Wei, Xiaodong Dong, Hongbo Sun, Ye Yuan, Zhongjiang He, Jinglin Xu, Jingmin Xin, Hao Sun

机构 * National Key Laboratory of Human-Machine Hybrid Augmented Intelligence（国家人机混合增强智能重点实验室） ； National Engineering Research Center for Visual Information and Applications（国家视觉信息与应用工程技术研究中心） ； Institute of Artificial Intelligence and Robotics（人工智能与机器人研究院） ； Xi’an Jiaotong University（西安交通大学） ； Institute of Artificial Intelligence (TeleAI)（人工智能研究院（TeleAI）） ； China Telecom（中国电信） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology Beijing（北京科技大学） 纠错

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

AI总结 RefBench-PRO提出一个面向感知与推理的指称表达理解基准，通过分解指称表达为感知和推理两个维度，设计六个逐步递增的挑战任务，并引入Ref-R1强化学习方案提升定位精度，实现对多模态大语言模型的可解释评估。

Rethinking CD: A Reproducibility Study and Extension on the Ineffectiveness of Contrastive Decoding at Mitigating Object Hallucinations in MLLMs

重新思考对比解码：关于多模态大语言模型中对比解码在减轻对象幻觉方面无效性的可重复性研究与扩展

Arnav Bendre, Guneesh Gupta, Kavish Grover, Chayan Aggarwal, Shreyansh Modi

机构 * Indian Institute of Technology, Roorkee（印度理工学院鲁尔基分校） 纠错

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

AI总结 研究多模态大语言模型中对比解码减轻对象幻觉的有效性，通过重现和扩展相关研究，进行多实验验证其在不同数据集上效果，发现其带来的改善常是虚假的，挑战了当前策略有效性，推动更可靠方法开发。

Comments 32 pages, 9 Figures, submitted to TMLR

Loss Invariance Determines What Concept Layers Encode: Volume Grounding in Echocardiography

损失不变性决定概念层编码的内容：超声心动图中的容积定位

Hyunkyung Han, Min Jung Kim

机构 * Yonsei University College of Medicine（延世大学医学院） ； Research Institute of Radiologic Science（放射科学研究所） 纠错

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

AI总结 研究以超声心动图视频中左心室容积为概念探讨概念瓶颈模型有效性，通过训练视频变压器编码器，比较不同训练方式，发现仅概念准确性不足，可解释中间变量应依训练目标不变性结构验证。

Leveraging Semantic Maps for City-Scale Cross-View Localization

利用语义地图进行城市尺度的跨视图定位

Ethan Fahnestock, Erick Fuentes, Philip R Osteen, Nicholas Roy

机构 * CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室） ； DEVCOM Army Research Laboratory (ARL)（陆军研究实验室） 纠错

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

AI总结 研究如何让机器人在未遍历环境中利用先验数据定位，提出克服提取语义信息和关联观测与先验地图两挑战的方法，即从视觉语言模型提炼轻量级匹配器，结合贝叶斯滤波器创建姿态估计，发布数据集并证明方法可泛化。

Comments Equal contribution by Ethan Fahnestock and Erick Fuentes. 13 pages, 7 figures, and 5 tables

IMPRINT: Image-Conditioned Query Enrichment for Long-Tail Object Goal Navigation

IMPRINT：用于长尾目标导航的图像条件查询增强

Jelin Raphael Akkara, Filippo Ziliotto, Luciano Serafini, Lamberto Ballan, Tommaso Campari

机构 * University of Padova（帕多瓦大学） ； Fondazione Bruno Kessler (FBK)（布鲁诺·凯斯勒基金会） 纠错

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

AI总结 研究针对具身人工智能中ObjectNav依赖纯文本查询可靠性低的问题，提出IMPRINT框架，用网络图像丰富文本查询改善定位，无需训练导航策略。通过新基准HSSD-rare评估，显示图像条件查询可提升导航增益，还指出下游检测质量是关键瓶颈。

Comments Accepted at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Project page: https://github.com/JelinR/IMPRINT

Harm is not Universal: Community-Specific Toxicity Detection is Urgently Needed

危害并非普遍存在：迫切需要针对特定社区的毒性检测

Xinnuo Xu, Anja Thieme, Daniela Massiceti, Ioana Tanase, Rita Marques, Melanie Fernandez Pradier, Martin Grayson, Camilla Longden, Cecily Morrison

机构 * Microsoft Research Cambridge, UK（英国剑桥微软研究院） ； Microsoft Paris, France（法国巴黎微软） 纠错

专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI

AI总结 研究指出文本到图像生成的通用毒性检测方法不能保护边缘化社区，主张特定社区毒性检测（CTD）。通过与专家合作制定指南，利用图像数据集实验表明现有模型表现不佳，基于提示的方法和参数高效微调可提升性能，但CTD性能仍远低于通用检测，需持续研究。

Comments 18 pages, under review

Spatially Grounded Concept Bottleneck Models via Part-Factorized Attention

通过部分分解注意力的空间基础概念瓶颈模型

Dhanesh Ramachandram

机构 * Vector Institute（向量研究所） 纠错

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

AI总结 提出一种部分分解的概念瓶颈模型，通过空间先验约束注意力，在细粒度识别中实现可解释性并提升定位精度。

Comments Updated references, abstract and rewrite to remove terse language

TaylorPODA: A Taylor Expansion-Based Method to Improve Post-Hoc Attributions for Opaque Models

TaylorPODA：一种基于泰勒展开的方法，用于改进不透明模型的事后归因

Yuchi Tang, Iñaki Esnaola, George Panoutsos

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

AI总结 研究针对不透明模型事后归因方法缺乏普遍标准的问题，提出基于泰勒展开框架的TaylorPODA方法，通过引入假设、分析矛盾、设计可控分配机制等，使其既满足假设又适应下游目标，提升了归因与用户定义效用的对齐及解释的可交流性。

Comments 21 pages, 4 figures. Submitted to TMLR. Re-upload with amended manuscript

HiSkill: Empowering LLM Agents with Hierarchical Skill Graphs

HiSkill：利用分层技能图增强大语言模型智能体

Yu Hao, Jinxuan Cai, Qi Zhang, Yawen Li, Zhiqiang Zhang, Chuan Shi, Cheng Yang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； China Mobile Group Shaanxi Co., Ltd（中国移动通信集团陕西有限公司） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 研究提出HiSkill分层技能图框架，将交互轨迹组织成有向图，连接高级技能与可执行动作模板并捕捉多种关系。推理时检索子图引导任务执行，实验表明其在减少推理令牌消耗方面优于基线，有效弥合技能与动作差距。

Beyond Epistemia: Epistemic Schizologia and Large Language Models as Techno-Semiotic Machines

超越认知：认知分裂症与作为技术符号机器的大语言模型

Federico Cabitza, Gianluca Colombo

机构 * Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） 纠错

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

AI总结 研究大语言模型输出致“认知症”现象，挑战其解释框架。借鉴相关哲学，将大语言模型视为技术符号机器，指出“认知症”是“认知分裂症”后果，强调相关单元是整个实践，为新设计方案奠定基础。

CD-RMOT-Bench: Benchmarking the Cross-Domain Referring Multi-Object Tracking

CD-RMOT-Bench：跨域引用多目标跟踪基准测试

Xiangqun Zhang, Likai Wang, Zekun Qian, Ruize Han, Wei Feng

机构 * School of Computer Science and Technology, Tianjin University（天津大学计算机科学与技术学院） ； Faculty of Computer Science and Artificial Intelligence, Shenzhen University of Advanced Technology（深圳先进技术大学计算机科学与人工智能学院） 纠错

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

AI总结 研究跨域引用多目标跟踪（CD-RMOT）问题,构建CD-RMOT-Bench基准并提供QCA框架,实验发现域转移严重影响RMOT性能，QCA建立基线，CD-RMOT-Bench为跨视觉域的鲁棒语言引导跟踪开辟新方向。

RSMeM: Knowledge-Enhanced Memory Evolution for Remote Sensing Agents with Systematic Evaluation

RSMeM：用于遥感智能体的知识增强记忆进化及系统评估

Bingxian Wu, Yu Zhang, Zonghao Guo, Tang Liu, Chen Qian, Yuxiang Lu, Xingbo Du, Yanghao Li, Yidan Zhang, Chi Chen, Ling Yao, Maosong Sun

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

AI总结 研究针对现有遥感智能体问题，提出RSMeM机制，通过分层知识基础和失败感知经验提炼两个组件，迭代吸收领域知识转化为执行经验，经实验验证能提升工具使用性能和答案质量，具有强大知识密度。

Comments Accepted to ACL 2026 Main. Code: https://github.com/AI9Stars/RSMeM

Minimal Computational Preconditions for Subjective Perspective in Artificial Agents

人工代理主观视角的最小计算前提

Hongju Pae

机构 * Hongju Pae 1 纠错

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

AI总结 本文提出通过最小内部结构实现人工代理的主观视角，揭示了滞后效应作为衡量机器系统主观性的标志。

Grevo: A Unified Generative Recommendation Framework with Evolutionary Item Indexing

Grevo：一种具有进化项索引的统一生成式推荐框架

Huanjie Wang, Liwei Guan, Zekai Sun, Hongwei Zhang, Honghui Bao

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

AI总结 研究针对生成式推荐中语义标识符固定及端到端方法问题，提出Grevo框架，将SID分配当作可进化变量，基于单一多任务推荐器统一相关任务，用进化项索引重分配标识符，实验证明其性能优于现有生成式推荐方法。

Quantum reference frames beyond subsystems: a reconstruction and generalization of the perspective-neutral framework

超越子系统的量子参考系：视角中性框架的重构与推广

Stefan L. Ludescher, Manuel Mekonnen, Thomas D. Galley, Markus P. Mueller

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

AI总结 研究将量子参考系概念推广到对应协变量子仪器的情况，开启多种物理应用，如标记框架、关系时钟等。重构并推广了视角中性方法，提供资源理论基础，澄清约束量子化，部分结果适用于其他框架，弥合相关研究差距。

Comments 36+6 pages, 5 figures

DeepHartree: A Poisson-Coupled Neural Field for One-Shot Density Functional Theory

DeepHartree：一种与泊松方程耦合的神经场，用于可扩展的密度泛函理论

Jiankun Wu, Jinming Fan, Chao Qian, Shaodong Zhou

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

AI总结 DeepHartree通过与泊松方程耦合的神经场，加速了线性组合原子轨道密度泛函理论的SCF求解，解决了计算瓶颈问题，实现了跨基组和系统的零样本迁移能力。