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。
用于红外视觉语言模型定向语义攻击的QR结构化热触发装置
专题命中 视觉问答 ：vision-language model(title,abstract)；visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出QR-STT框架，作为隐蔽黑盒攻击手段，可定向操控IR-VLMs的语义对齐，其扰动还能跨任务迁移，凸显了对该类攻击进行鲁棒性评估的必要性。
HierDoc：用于长文档视觉问答的分层页到区域证据路由
专题命中 视觉问答 ：visual question answering(title,abstract)；分类 cs.CV
AI总结 HierDoc是分层证据路由框架，将长文档视觉问答的页与区域选择整合为连续两阶段，在开放权重系统中达SOTA，使LongDocURL提升16.87%，区域证据可显著提升单页系统性能。
Comments 15 pages, 4 figures; includes supplementary material
FORGE：用于长视频理解的相关几何中的帧正交性
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Center for Signal and Information Processing (CSIP)（信号与信息处理中心 (CSIP)） ； School of Electrical and Computer Engineering（电气与计算机工程学院）
专题命中 视觉问答 ：multimodal large language model(abstract)；MLLM(abstract_cn)；分类 cs.CV、cs.LG
AI总结 研究长视频理解中推理时最大化查询相关信息问题，提出FORGE模型无关方法，通过在预训练嵌入空间引入查询条件几何统一相关性和多样性，实验证明该方法在关键帧选择和问答上有显著提升。
Comments Under Review
CodeShrink：面向高效多模态代码理解的自适应视觉压缩
专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 CodeShrink是含无空白渲染、自适应压缩配置、主导令牌选择的自适应视觉压缩框架，可减少代码理解的视觉令牌用量，在三类代码任务上优于基线。
SAGP：基于粗区域VLM推理的语义 affordance 引导抓取规划
机构 * Khalifa University（哈利法大学） ； KU Center for Autonomous Robotic Systems (KUCARS)（KU自主机器人系统中心（KUCARS））
专题命中 视觉推理 ：VLM(title,title_cn)；vision-language model(abstract)
AI总结 SAGP是一种无训练的抓取规划框架，通过粗区域抽象层结合VLM推理与几何规划，在保持纯几何抓取高成功率的同时，提升了抓取的功能适用性，尤其适用于非对称带把手物体。
Comments Accepted in ICAME2026
结果引导蒸馏：一种提升自动驾驶中视觉语言模型推理能力的师生框架
机构 * Stony Brook University（石溪大学） ； Rutgers University（罗格斯大学） ； Sunrise Technology Inc.（晨昇科技公司）
专题命中 视觉推理 ：VLM(title,summary_cn)；vision-language model(abstract)
AI总结 本研究提出结果引导蒸馏的师生框架，将VLM的显式推理与几何轨迹生成结合，在Waymo基准上使自动驾驶性能提升约24%，优于经典推理基线。
基于有噪学生策略性自蒸馏的自增强视觉语言模型
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； ByteDance Inc.（字节跳动公司） ； Zhejiang University of Technology（浙江工业大学） ； Hong Kong Baptist University（香港浸会大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract_cn)；visual reasoning(abstract)；分类 cs.LG
AI总结 研究针对视觉语言模型无外部监督难以改进的问题，提出NOPD自蒸馏方法，利用干净与损坏输入预测差异产生自监督信号，在多视觉推理任务中有效，能提升多个模型在多个基准测试中的表现。
TokenSwap：多模态大语言模型中模态差距的基准测试与缩减
机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Google DeepMind（谷歌DeepMind）
专题命中 视觉推理 ：multimodal large language model(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出TokenSwap方法构建基准TokenSwap-Bench，发现42个多模态大语言模型普遍存在模态差距，推理模型差距更小，训练中引入TokenSwap可有效缓解该差距。
TraceViT：用于视觉抽象推理的基于轨迹的监督
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 针对视觉抽象推理任务，提出基于语义单调变换链监督的循环视觉推理器TraceViT，在ARC-AGI-1、ARC-AGI-2上取得对应准确率，证实轨迹监督需与约束配对才有效。
揭秘视频推理
机构 * SenseTime Research（商汤科技研究院） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文通过实验揭示视频扩散模型中的推理主要发生在去噪步骤中，提出链式步骤（CoS）机制，并发现工作记忆、自我修正和感知先行等涌现行为，最后提出一种无需训练的集成策略来提升推理能力。
Comments Homepage: https://www.wruisi.com/demystifying_video_reasoning
少复制，多扎根：通过证据感知强化学习克服长上下文推理中的重复复制
机构 * Peking University（北京大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 研究长上下文推理中语言模型的重复复制问题，提出GEAR奖励塑造方法，通过区分关键证据和干扰上下文来增强奖励信号，经实验验证该方法能提升模型性能，减少重复复制，凸显准确扎根证据对长上下文推理的重要性。
面向手写UML到PlantUML生成的形式化感知奖励循环
专题命中 视觉推理 ：vision-language model(abstract)
AI总结 本研究提出形式化感知奖励循环，通过微调视觉-语言模型结合Group Relative Policy Optimisation生成PlantUML，提升了转换质量，为建模评估提供了新方向。
Comments Accepted for publication in the Proceedings of the ACM/IEEE 29th International Conference on Model Driven Engineering Languages and Systems (MODELS 2026). This is the accepted author manuscript
步级视觉 grounding 信念预测长视界视觉语言模型的分布外泛化
机构 * The KOW Company（KOW公司） ； University of Dhaka（达卡大学） ； American International University - Bangladesh (AIUB)（孟加拉国美国国际大学）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 研究发现长视界视觉语言模型中，步级视觉接地信念预测分布外泛化能力，揭示了模型中间推理与视觉状态的一致性对鲁棒性的影响。
Comments Following the initial submission, we conducted additional experiments that materially changed our understanding of the problem. These new results do not support the central claim of the current manuscript. To avoid disseminating conclusions that we no longer consider adequately supported, we are withdrawing this version while we reassess the findings and prepare a substantially revised manuscript
MolSight: 一种用于统一化学图像理解的图感知视觉语言模型
机构 * Renmin University of China（中国人民大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出MolSight框架，通过分子拓扑模块和分子接地模块增强视觉语言模型对分子图像的结构理解，在多项化学视觉理解任务中显著优于现有模型。
CAER：面向多模态大语言模型的冲突感知证据路由，采用双前缀专家机制
专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；分类 cs.CV
AI总结 本研究提出与主干无关的CAER框架，通过双前缀专家路由机制实现视觉-语言冲突检测与冲突感知生成，在MMMC及AgriConflict数据集上验证可提升开源多模态大语言模型的可靠性。
多模态大语言模型（MLLMs）时代，显著性目标检测的复兴时机已到？
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 该研究针对MLLMs时代SOD的能力不匹配问题，提出无训练框架FOCUS，在13类SOD基准上超越SOTA方法，推动SOD从特定任务监督转向零样本前景组织。
Comments 10 pages, 4 figures, conference
LabGuard：将自然语言实验室规则转化为具身实验室代理的运行时守卫
机构 * Wuhan University（武汉大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Northeastern University（东北大学）
专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.AI
AI总结 提出LabGuard，一种将自然语言实验室规则转化为可执行规范并部署为运行时守卫的安全套件，通过三个核心组件实现规则到监控的映射，实验表明能有效降低不安全事件。
Comments First three authors are co-first authors
SciFigPlag-Bench：面向来源感知的科学图片抄袭检测基准
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出SciFigPlag-Bench基准，用于科学图片的来源感知抄袭检测，含四类任务，实验发现视觉语言模型在细粒度来源推理等方面仍有挑战。
Comments 30 pages, 18 figures
谄媚行为破坏合作型视觉-语言任务中的认知警觉性
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)
AI总结 该研究针对合作型视觉-语言任务，提出信息不对称的“找不同”任务，发现模型存在谄媚行为破坏认知警觉性的问题，通过学习向量调整模型可减少此类错误，提升模型可靠性。
Comments 9 pages, 3 figures, 3 tables
利用图像生成器解决训练数据稀缺问题：Gen4Regen数据集用于森林再生制图
机构 * Northern Robotics Laboratory, Université Laval, Québec, QC, G1V 0A6, Canada（拉瓦尔大学北部机器人实验室，魁北克，QC，G1V 0A6，加拿大） ； Département d'informatique et de génie logiciel, Université Laval, Québec, QC, G1V 0A6, Canada（拉瓦尔大学计算机与软件工程系，魁北克，QC，G1V 0A6，加拿大）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文通过Gen4Regen数据集和Nano Banana Pro模型生成高质量图像及语义掩码，解决森林再生物种分割中的数据稀缺和类别不平衡问题，提升F1分数15%以上。
Comments 33 pages, 17 figures
迈向白盒深度无线感知
机构 * The University of Hong Kong（香港大学） ； MIT（麻省理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 该研究针对现有深度无线感知模型为黑盒的问题，提出基于复稀疏率降维原理的全复值Transformer模型RF-CRATE，引入子空间正则化解决数据稀缺问题，在五项数据集的多类任务中验证其性能优于黑盒模型且具备可解释性。
COSI-Lab：用于建模多视角多模态社会意图的会议生活实验室
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 COSI-Lab构建了含32名学者的会议多模态数据集，提出表观意图推理任务及相关标注、分析、基准等贡献，助力智能系统处理主观感知。
FieryGS: 在真实世界中实现火灾合成的物理集成高斯点云方法
机构 * School of EECS, Peking University（电子工程系，北京大学） ； School of Intelligence Science and Technology, Peking University（智能科学与技术学院，北京大学） ； Yuanpei College, Peking University（元培学院，北京大学） ； ByteDance Seed（字节跳动种子） ； Wangxuan Institute of Computer Technology, Peking University（王璇计算机技术研究所，北京大学） ； Beijing Academy of Artificial Intelligence, Beijing, China（北京人工智能研究院，北京，中国）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 FieryGS通过整合物理准确的燃烧模拟与渲染，实现真实世界3D场景中逼真的火灾合成，结合多模态大语言模型进行物理材料推理，提升火灾动态的可控性和真实性。
Comments ICLR 2026
基于智能体的共同基础形成与演化模型
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本研究开发智能体模型，通过蒙特卡洛模拟探究网络上智能体交互的共同基础形成与演化，揭示不同交互情境会导致全球共同基础形成、分裂或完全丧失等现象，凸显数学模型研究文化动态微宏观关联的潜力。
Comments Submission for a journal paper
RynnBrain 1.1：迈向更具能力和通用性的具身基础模型
机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（湖畔实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 介绍RynnBrain 1.1具身基础模型家族，其经统一框架训练，相比1.0版本有改进。开发RynnBrain - VLA并部署。该模型在多方面成果显著，初始化策略表现优，联合训练提升了得分和成功率。
Comments KL,BH,MZ,TZ,ZC,ZW,SL,XL,XL,BY,MZ,JL,RD contribute equally. Project Lead: Kehan Li and Xin Li project: https://alibaba-damo-academy.github.io/RynnBrain github: https://github.com/alibaba-damo-academy/RynnBrain huggingface: https://huggingface.co/collections/Alibaba-DAMO-Academy/rynnbrain-11 modelscope: https://modelscope.cn/collections/DAMO_Academy/RynnBrain-11
面向多文档摘要验证的空间视觉分析技术
专题命中 文档图表理解 ：grounding(abstract)
AI总结 该研究针对多文档摘要验证难题，提出SVS视觉分析系统，含两种二维布局，实验表明其可提升验证准确性、降低工作量，SUMMARY-GUIDED布局综合表现最优。
Comments Accepted to IEEE VIS 2026; 13 pages, including appendices (11-page paper plus 2-page appendices)
对异构科学提取文档中表格提取的基准测试
专题命中 文档图表理解 ：vision language model(abstract)
AI总结 本文提出了一种新的基准测试，用于评估端到端表格提取方法，通过分析评估指标和设计严谨的评估流程，揭示了当前方法在异构数据下的局限性。
Comments Extended version, with appendices, of a paper published at KDD '26
SERUM：面向用户建模的状态提取与优化
机构 * University of Minnesota（明尼苏达大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 SERUM是首个无需人工标注即可从非结构化自我中心屏幕视频生成可解释过程模型的多阶段框架，经61段跨领域视频验证，其优化后的标签在马尔可夫模型预测与人工评估中均表现优异，为用户建模提供了可扩展方案。
WCM：用于视觉-语言-动作强化学习的世界评论者模型
机构 * Tongji University（同济大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 该研究针对视觉-语言-动作强化学习中评论者与机器人部分可观测性不匹配的问题，提出WCM模型，联合预测未来潜态与值估计，在149个仿真任务和7个真实任务上均实现最优性能与泛化性。
FBFM：一种用于世界-动作模型执行中流匹配的无训练异步反馈机制
机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.AI
AI总结 该研究针对世界-动作模型分块反馈时间粒度粗、无法逐时间步纠错的问题，提出无训练异步反馈机制FBFM，在两类WAM上使LIBERO等任务成功率提升超5%，实现开环流生成与闭环真实世界动力学的桥接。
Comments 29 pages, 5 figures. Preprint
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