AI 大模型

视觉大模型 / VLM

视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。

2026-07-30 至 2026-07-30 共收录 63 篇信号源：cs.CV, cs.AI, cs.LG

1. VLM训练与架构 15 篇

2403.15152 2026-07-30 cs.CV 57%

图像跨域检索：一种多模态方法

Lucas Iijima, Nikos Giakoumoglou, Tania Stathaki

机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院电气与电子工程系）

专题命中 VLM训练与架构：vision-language model(abstract)；分类 cs.CV

AI总结本文提出Caption-Matching方法，利用预训练视觉语言模型生成的图像描述作为中间表示，实现跨域图像检索，无需标注数据或进一步训练，在Office-Home和DomainNet上取得显著提升。

2607.26346 2026-07-30 math.ST cs.SI stat.ME stat.ML stat.TH 新提交 50%

迈向无监督预训练与监督神经知识图谱学习的统一统计理论

Jifan Zhang, Miklos Racz, Suqi Liu

专题命中 VLM训练与架构：grounding(abstract)

AI总结本研究针对知识图谱学习中数据与理论问题，提出含无监督预训练与监督学习的两阶段框架，建立非渐近风险界，经合成与真实实验验证其有效性。

Comments 49 pages, 5 figures, 7 tables

2605.08334 2026-07-30 cs.CL 版本更新 50%

SalesSim：多模态语言模型作为零售用户模拟器的基准测试与对齐

Yada Pruksachatkun, Yixin Wan, Xingrun Chen, Kai-Wei Chang, Chien-Sheng Wu

机构 * Salesforce Research（Salesforce研究院）； University of California Los Angeles（加州大学洛杉矶分校）

专题命中 VLM训练与架构：multimodal large language model(abstract)

AI总结 SalesSim通过多轮多模态对话评估多模态大语言模型在模拟真实用户行为中的能力，发现模型在词汇多样性及决策一致性方面存在不足，并提出UserGRPO方法提升对话流畅度与决策对齐度。