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。
从多分辨率细胞到千兆像素全切片图像：用于计算病理学的基础模型
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对现有计算病理学模型泛化性受限的问题，提出多分辨率金字塔Transformer（MRPT），经多分辨率自监督预训练后，在34个数据集的多项任务中性能优于同类模型与多模态大语言模型。
隐蔽且可调节的文本引导后门攻击多模态预训练模型
机构 * National Anti-Counterfeit Engineering Research Center, Huazhong University of Science and Technology（华中科技大学国家防伪工程技术研究中心） ； School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院） ； Sydney AI Centre, The University of Sydney（悉尼大学悉尼人工智能中心）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.LG
AI总结 本文提出一种基于文本的后门攻击方法，利用常见文本词汇作为触发器，提升攻击隐蔽性和实用性，并通过视觉对抗扰动调节模型对文本触发器的学习，实现可控的攻击效果。
聚焦推理，推断出异常：通过贝叶斯推理引导的聚焦VLM推理实现高速公路视频远场异常检测
机构 * School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院） ； Key Laboratory of Big Data & Artificial Intelligence in Transportation, Ministry of Education（教育部交通运输大数据与人工智能重点实验室） ； Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence (2018)（北京市交通数据挖掘与具身智能重点实验室）
专题命中 视觉推理 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出VIBES框架，通过贝叶斯推理引导的聚焦VLM推理，解决远场目标异常检测中的注意力稀释和计算成本问题，提升检测准确性和实时效率。
Spa3R：用于3D视觉推理的预测空间场建模
机构 * Huazhong University of Science & Technology（华中科技大学） ； Horizon Robotics ； D-Robotics Intern at D-Robotics（D-Robotics 实习生）
专题命中 视觉推理 ：visual reasoning(title)；VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)
AI总结 Spa3R通过自监督学习从多视角图像中提取统一的空间表示，提升3D视觉推理能力，实现与VLMs的结合，达到3D VQA任务的高准确率。
CityRiSE：基于强化学习的大视觉语言模型城市社会经济地位推理框架
机构 * Information Hub, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）信息中心） ； Department of Electronic Engineering, BNRist, Tsinghua University（清华大学电子工程系）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出CityRiSE框架，结合强化学习与大视觉语言模型，提升城市社会经济感知的预测准确性与泛化能力，尤其在未见城市和指标上表现优异。
Comments Accepted by ACM MM 2026, https://github.com/tsinghua-fib-lab/CityRiSE
具备多模态增强能力的可泛化手术室专家
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 针对手术室空间建模的局限，提出仅用RGB图像推理的多模态大语言模型OR-Expert，通过内部推导空间线索实现三维推理，在手术室基准上达SOTA且泛化性良好。
Comments Accepted by ACM Multimedia 2026
SimuScene: 通过训练和基准测试代码生成来模拟物理场景
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.LG
AI总结 SimuScene通过训练和基准测试代码生成模型，旨在提高模拟物理场景的能力，实验显示即使最强模型也仅达21.5%的通过率，表明该任务具有挑战性。
Hunyuan3D-Buffalo 1.0：用于可扩展3D生成、理解与编辑的统一多模态模型
机构 * Tencent Hunyuan（腾讯混元）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；grounding(abstract_cn)；分类 cs.CV
AI总结 Hunyuan3D-Buffalo 1.0是支持3D理解、文本到3D生成等功能的统一多模态模型，构建87M规模语料库训练，在相关基准上达SOTA或领先性能，验证了统一训练的有效性。
Comments Project Page: https://tencent-hunyuan.github.io/Hunyuan3D-Buffalo1.0
NBA_Streaming：用于连续流中细粒度篮球评论生成的大规模基准测试
机构 * School of Information Science and Technology, Beijing University of Technology（北京工业大学信息科学与技术学院） ； Fudan University（复旦大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 针对现有篮球评论生成方法与数据集不适用于连续流的局限，推出大规模基准NBA_Streaming，提出因果两阶段框架，可有效提升在线细粒度篮球评论生成性能。
CoLA: 跨模态低秩适配用于多模态下游任务
机构 * Centre for Vision, Speech and Signal Processing (CVSSP)（视觉、语音和信号处理中心） ； University of Surrey（塞维利亚大学） ； Surrey Institute for People-Centred AI（以人为本的人工智能研究所）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出CoLA框架，通过引入跨模态适配路径扩展LoRA，实现双流架构中单模态基础模型的高效多模态适配，在视觉-语言和音频-视觉任务上分别提升约3%和2%的相对性能。
Comments Accepted by ICML 2026, 17 pages, 6 Figures
通过代理评估和稳定性感知排名实现多模态大语言模型的鲁棒检查点选择
机构 * Meta AI
专题命中 文档图表理解 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出了一种多阶段框架，结合了精心挑选的现实世界数据、结构化的LLM判断和多阶段排名协议，以解决多模态大语言模型检查点选择中的鲁棒决策问题，强调数据质量（特别是OCR可读性）对评估有效性的重要性。
面向结构化数据搜索的引导式表格检索
专题命中 文档图表理解 ：grounding(abstract)
AI总结 该研究针对结构化数据库自然语言问答任务，提出四阶段引导式表格检索流程，在BIRD-DEV和BEAVER基准上取得优于基线的准确率与F1值，生成的精确连接树可直接供下游查询编译器使用。
N体问题：从单人物体中心视频进行并行执行
机构 * University of Bristol（布里斯托尔大学） ； The University of Tokyo（东京大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 提出N体问题，从单人物体中心视频预测N人并行执行任务，通过结构化提示策略引导视觉语言模型推理3D环境、物体使用和时间依赖，在EPIC-Kitchens和HD-EPIC数据集上显著提升动作覆盖率并降低冲突。
Comments accepted at ECCV Workshop, project webpage: https://zhifanzhu.github.io/ego-nbody
视觉分布偏移下OpenVLA故障的早期预警信号
机构 * New York University（纽约大学）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 研究在视觉分布偏移下，OpenVLA内部激活是否包含可线性解码的近期任务失败信息，通过LIBERO操作实验发现第16层逻辑探针在遮挡条件下预测失败AUROC达0.972。
Comments 16 pages, 2 figures, 8 tables
VLM内部伪装视觉上下文的隐藏演化
机构 * Surrey Institute for People-Centred AI, University of Surrey（萨里大学以人为本人工智能研究所） ； Centre for Vision, Speech and Signal Processing (CVSSP), University of Surrey（萨里大学视觉、语音与信号处理中心）
专题命中 VLM训练与架构 ：VLM(title,title_cn)；分类 cs.CV、cs.AI
AI总结 研究视觉语言模型中视觉令牌如何通过不同集成架构（上下文注入与逐层注入）转化为有意义表示，揭示其内部演化过程及对性能的影响。
通用视觉语言模型（VLMs）能否在医疗领域超越专门化模型？基准测试与战略洞察
机构 * The Chinese University of Hong Kong（香港中文大学） ； The University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所）
专题命中 VLM训练与架构 ：vision language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 研究比较了通用与专门化医疗VLMs的性能，发现高效微调的通用模型在多数任务中表现可比或更优，尤其在处理未见医疗模态时。
Comments version 5
MBA：面向现实世界商业创意的多模态基准与智能体
专题命中 VLM训练与架构 ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 该研究推出首个多模态商业创意基准MBA-Bench，提出MBA-b和MBA-k两种智能体，经实验其性能显著优于相关基准，为多模态商业创意智能体研究提供了重要支撑。
Comments Project page: https://hchoi256.github.io/projects/mba/ Code: https://github.com/hchoi256/MBA
持久故事世界模拟与连续角色定制
机构 * Xiamen University（厦门大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Fuxi AI Lab, Netease Inc.（福克斯AI实验室，网易公司）
专题命中 VLM训练与架构 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出EverTale，通过统一LoRA模块实现连续角色自定义，引入质量门和区域聚焦采样策略，提升多角色视觉叙事的准确性和一致性。
探索可解释图像质量评估的指令数据质量
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 该研究针对可解释图像质量评估任务，提出Q-Selector数据选择框架，仅用10%训练数据就达到全数据微调的102.1%和103.7%性能，证明指令数据存在冗余。
宪法性在策略安全蒸馏
机构 * Institute of Trustworthy Embodied AI（可信具身人工智能研究院） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学） ； City University of Hong Kong（香港城市大学）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.AI、cs.LG
AI总结 针对在策略自蒸馏在安全对齐中因宪法条件导致教师分布收缩、表达能力下降的问题，提出宪法性在策略安全蒸馏（COPSD），通过交叉SFT冷启动校准教师分布，再进行宪法条件在策略蒸馏，在12个基准上实现了更优的安全-有用性权衡并降低安全税。
基于分布式联合隐空间构建的多视图表示学习
机构 * Huawei Paris Research Center, France（华为巴黎研究中心，法国）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.LG
AI总结 该研究针对分布式多视图表示学习的客户端协调问题，推导了基于MDL的泛化界，提出分布式高斯乘积混合先验方法，经多组实验验证了其有效性。
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