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
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。
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。
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
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
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
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。
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
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)
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
看起来对，运行起来对：面向多屏移动应用生成的项目级基准测试
专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 针对现有设计转代码基准的局限，提出首个项目级多屏移动应用生成基准MobileForge，通过五轴评估及两种测试方法，发现前沿多模态LLM构建的应用存在导航、保真度和可维护性问题。
缓解临床分布偏移下医学视觉-语言模型的类别尾部覆盖不足问题
机构 * Indian Institute of Technology Indore（印度理工学院印多雷分校）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV、cs.LG
AI总结 本文针对临床分布偏移下医学VLMs的类别尾部覆盖不足问题，提出CALCoDe方法，在多个偏移场景和骨干网络上实现了所有设置下边际和最差类别覆盖度均达0.95的最优表现。
Comments 26 pages; supplementary material included
形式主义陷阱：社会负荷下作为评判者的大语言模型是否会被共识模仿蒙蔽？
机构 * University of Waterloo（滑铁卢大学）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.AI
AI总结 该研究提出Agentic形式主义陷阱与评估失调指数，通过多领域轨迹分析揭示作为评判者的大语言模型易受句法触发影响，且该漏洞与领域无关，需架构特定的警戒过滤器。
更快但不同：加速多模态扩散语言模型中的内容漂移诊断与控制
机构 * School of Mathematics and Statistics, Beijing Institute of Technology（北京理工大学数学与统计学院） ； Zhejiang University（浙江大学）
专题命中 幻觉与鲁棒性 ：multimodal large language model(abstract)
AI总结 该研究针对加速多模态扩散语言模型的内容漂移问题，通过实验诊断出漂移源于过期状态，提出缩短KV缓存刷新区间的控制方法，在1.3倍加速时实现近乎完全一致，且未发现事实错误差异。
Comments 9 pages, 4 figures, 6 tables. Preprint
SatEdit：基于VLM引导的区域标注的掩码条件卫星图像编辑
专题命中 VLM训练与架构 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 SatEdit是基于VLM引导区域标注的卫星图像编辑框架，通过未标注图像构建监督信号，经LoRA微调后在对比中实现最高掩码区域语义对齐，为卫星图像编辑提供了数据高效的可行方案。
Comments 14 pages, 5 figures
注意力头中的角色断裂：理解和检测视觉语言模型中的幻觉
专题命中 VLM训练与架构 ：VLM(summary_cn,abstract)；vision-language model(abstract,abstract_cn)；分类 cs.CV
AI总结 该研究提出注意力头的角色断裂现象，构建无需微调的轻量级线性检测器，在6个VLMs和4个基准上平均AUROC达93.23，可检测VLM幻觉并支持干预操作。
MoRoute：面向上下文多模态视频生成的动态路由
机构 * Sun Yat-sen University（中山大学） ； HUJING Digital Media & Entertainment Group（沪景数字媒体娱乐集团） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 VLM训练与架构 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 MoRoute是采用动态层路由连接VLM与视频DiT的多模态视频生成框架，在三个基准数据集上均优于现有最优方法，提升了视频生成与编辑的性能。
Comments Project page: https://orange-3dv-team.github.io/MoRoute/
裁决式字幕生成：用于严格零样本图像字幕生成的多智能体对齐评分与共识蒸馏束仲裁
机构 * AI Platform OneNexus, OneMount（OneMount AI平台OneNexus） ； School of Electronic Engineering, Soongsil University（崇实大学电子工程学院） ； MoAdata（MoAdata公司） ； University of Economics Ho Chi Minh City (UEH)（胡志明市经济大学）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 该研究提出裁决式字幕生成多智能体框架，通过多阶段对齐评分与共识蒸馏重排序，在不微调IFCap的情况下，显著提升COCO等数据集的零样本图像字幕生成性能，且可跨数据集迁移。
基于Aries实验框架重新思考智能体服务系统的AI云基础设施
专题命中 VLM训练与架构 ：grounding(abstract)
AI总结 该研究针对自主智能体对传统LLM服务的挑战，提出Aries全栈实验框架，通过实验揭示服务系统的关键瓶颈，探讨智能体原生服务系统的设计愿景。
ZeroR@CHiPSAL 2026：用于尼泊尔表情包分类的对比学习两阶段视觉-语言适配
机构 * Pulchowk Campus, Institute of Engineering, Tribhuvan University（特里布万大学工程学院普尔乔克校区）
专题命中 VLM训练与架构 ：vision-language model(abstract)
AI总结 该研究针对尼泊尔表情包多模态仇恨言论与情感检测任务，适配RA-HMD框架，采用两阶段视觉-语言对比学习方法，取得两项任务的优异排名，为低资源南亚语言适配大模型提供了见解。
Comments 9 pages, 2 figures, system description paper for the CHiPSAL 2026 shared task at LREC 2026
Journal ref Proceedings of the Second Workshop on Challenges in Processing South Asian Languages (CHiPSAL 2026) @ LREC 2026, pages 275-283, Palma, Mallorca, Spain, 16 May 2026. ELRA Language Resources Association (ELRA). ISBN 978-2-493814-66-1
FriendBench：人类与多模态大语言模型的二元熟悉度推理基准
机构 * Fluid Concepts Research（流体概念研究机构）
专题命中 其他VLM ：multimodal large language model(title)；分类 cs.CV、cs.AI
AI总结 该研究推出FriendBench基准，通过20秒二元破冰对话片段推断两人熟悉度，对比7家公司26个模型与人类的表现，发现模型与人类准确率无统计差异但先验倾向不同，且仅人类能从可见行为中获益，同时发布了相关资源。
Comments 15 pages, 3 figures
用于小样本遥感场景分类的局部一致直推式信息最大化
机构 * ICTEAM, UCLouvain（天主教鲁汶大学 ICTEAM 研究所）
专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV
AI总结 针对小样本遥感场景分类问题，提出LC-TIM方法，融合多源遥感基础模型亲和图，建立首个直推式小样本遥感场景分类基准，实验表明其性能优于现有方法。
Comments Accepted at ECCVW2026
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