Retrieval Grounding Latent Reasoning for Dense Retrieval
用于密集检索的检索 grounding 潜在推理
机构 * Meituan（美团）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI
AI总结 本文提出用于密集检索的 RGLT 框架，结合过程监督蒸馏与检索 grounding 监督优化潜在推理轨迹，在推理密集型检索基准上优于基线且保持高效推理。
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。
1. 视觉定位与Grounding 18 篇
INFORM-CT: INtegrating LLMs and VLMs FOR Incidental Findings Management in Abdominal CT
INFORM-CT：整合LLM和VLM用于腹部CT的偶发发现管理
机构 * GE Healthcare Technology and Innovation Center（GE医疗技术与创新中心） ； Boston Medical Center（波士顿医疗中心）
专题命中 视觉定位与Grounding ：VLM(title_cn,summary_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出基于LLM和VLM的计划-执行框架，用于提高腹部CT偶发发现的检测、分类和报告效率与精度，通过自动化流程提升临床应用效果。
Comments Spotlight presentation at the 9th International Conference on Medical Imaging with Deep Learning (MIDL) 2026 Additional code and implementation details available at this https URL (https://idan-tankel.github.io/InformCT_ProjectPage/)
IoU-PD: IoU-Aware Privileged Distillation for Visual Grounding with Multimodal Large Language Models
IoUPD：用于多模态大语言模型视觉定位的IoU感知特权蒸馏
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； State Key Laboratory of Communication Content Cognition（通信内容认知技术国家重点实验室） ； Peng Cheng Laboratory（鹏城实验室）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(title,abstract)；分类 cs.CV
AI总结 研究多模态大语言模型视觉定位中训练与评估不匹配问题，提出IoUPD方法，利用真实框作特权指导，训练时学生模型接收原始信息，教师模型接收增强提示，经监督微调与特权蒸馏损失训练，推理时无需额外模块，实验显示该方法有改进。
Comments 16 pages, 7 figures, 10 tables
MedPlex: Deep Vision-Language Co-Adaptation for Clinically Grounded Medical Segmentation
MedPlex：用于临床基础医学分割的深度视觉-语言协同适配
机构 * Wayne State University（韦恩州立大学） ； Henry Ford Health（亨利福特医疗集团） ； Institute for AI and Data Science Wayne State University（韦恩州立大学人工智能与数据科学研究院）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 MedPlex是一种端到端VLM框架，通过双向融合和两级概念对齐，实现医学图像分割的视觉-语言协同适配，在CT、MR的多类医学分割任务中达到最优性能。
Comments Accepted By BMVC-2026
Grounding Without Corrective Control: Truth-Tracking Profiles for Large Language Models
无校正控制的基础：大语言模型的真值追踪剖面
机构 * Humber Polytechnic（亨伯理工学院） ； University of Toronto（多伦多大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI
AI总结 本文研究大语言模型中无校正控制的基础问题，提出路径剖面概念以分析真值追踪，指出纯文本模型继承的模式可提供衍生可应答性，不同方法对任务的真值追踪改进可能与表面改进不一致。
Comments 24 pages, 1 figure, 1 table. A six-page methodological supplement, reproducible R script, and constructed data are included as ancillary files
AutoSchema: Live Schema Grounding for Agentic Text-to-Sparql over Heterogeneous Knowledge Graphs
AutoSchema：面向异构知识图谱的智能体文本转SPARQL的实时模式接地
机构 * The University of Tokyo（东京大学） ； National Institute for Materials Science（国立材料科学研究所） ； RIKEN Center for Advanced Intelligence Project（理化学研究所高级智能项目中心）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.LG
AI总结 提出无需训练的AutoSchema框架，用于异构知识图谱的智能体文本转SPARQL的实时模式接地，在多项生物医学KGQA等任务中优于TogoMCP，可支持未记录RDF图谱。
Seeing is Coding: On the Effectiveness of Vision Language Models in Code Understanding
CodeOCR: 关于视觉语言模型在代码理解中的有效性
机构 * Shanghai Jiao Tong University China ； Hohai University China ； Singapore Management University Singapore ； Imperial College London United Kingdom ； East China Normal University \& Shanghai Innovation Institute China ； Chongqing University China ； Shanghai Jiao Tong University ； Hohai University ； Singapore Management University ； Imperial College London ； East China Normal University \& Shanghai Innovation Institute ； Chongqing University
专题命中 视觉定位与Grounding ：vision language model(title)
AI总结 本文探讨多模态大语言模型在代码理解中的有效性，发现其可通过图像压缩显著提升效率，并在代码克隆检测等任务中表现出更强的抗压缩能力。
Comments ISSTA 2026 camera ready. Code and data are available at this https URL (https://github.com/YerbaPage/CodeOCR)
SCVIB: Editable State-Conditioned Visual Instance Binding forMulti-Turn Personalized Localization
SCVIB：面向多轮个性化定位的可编辑状态条件视觉实例绑定
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 该研究提出多轮个性化定位设置SCVIB，结合TT-VG与VEGA方法构建测试平台，解决多轮定位中支持证据利用不足问题，相关指标优于对比方法。
NEURON: A Neuro-symbolic System for Grounded Clinical Explainability
NEURON：一种面向临床可解释性的神经符号系统
机构 * University of North Texas（北卡罗来纳大学达顿分校） ； Texas Tech University Health Sciences Center（德克萨斯农工大学健康科学中心）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI
AI总结 NEURON结合医学本体和机器学习模型，提升预测可靠性与临床可解释性，通过RAG层生成自然语言解释，在MIMIC-IV数据集上提升AUC至0.84-0.88。
Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination
我们能否防御AI生成视频对现实世界危机事件的攻击？对检测器、生成器及社交传播的系统性评估
专题命中 视觉定位与Grounding ：MLLM(abstract_cn)；分类 cs.CV、cs.AI
AI总结 本研究推出RA-Bench基准，系统评估AI生成视频检测器、生成器及社交传播特性，发现现有检测器泛化性差、难以检测逼真生成视频，需鲁棒检测器。
Comments 63 pages, 20 figures, 32 tables
Does ISO-Grounded NFR Specification Improve LLM Code Generation? A Comparison of Rich and Structured Interventions against a Natural-Language Baseline
基于ISO标准的非功能性需求（NFR）规范是否能提升大语言模型（LLM）的代码生成能力？针对丰富干预方式、结构化干预方式与自然语言基线的对比研究
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 该研究对比了ISO标准下丰富自然语言、结构化JSON与单行基线三种NFR规范对LLM代码生成的影响，发现前者可提升代码静态质量，且语义内容比格式更重要。
Comments 11 pages, 2 figures, Accepted for publication at the 20th Brazilian Symposium on Software Components, Architectures, and Reuse (SBCARS 2026)
Wyvern: An Agentic Framework for Generating Grounded Multimodal Reports
Wyvern：用于生成基于事实的多模态报告的智能体框架
机构 * Politecnico di Torino（都灵理工大学） ； Huawei Research（华为研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 针对生成式模型内容缺乏事实依据的问题，提出Wyvern多智能体框架生成多模态技术报告，经评估其图像信息量、报告实用性及引用指标均优于基准方法。
LLMs Don't Pay for the Jump
大语言模型不承担“跳跃”的代价
机构 * Birla Institute of Technology and Science, Pilani（毕拉理工与科学学院皮拉尼分校）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 该研究指出LLMs无法完成催生科学发现的溯因“跳跃”，因固定权重Transformer推理缺乏认知误差与物理代价的耦合，提出机器溯因需更深层物理机制的核心观点。
Comments 14 pages
HAM-RAG: Hierarchy-Aware Multimodal RAG for Structure-Faithful Interleaved Generation
HAM-RAG：面向结构保真交错生成的层级感知多模态检索增强生成
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文针对现有多模态RAG方法丢失结构化文档层级信息的问题，提出HAM-RAG框架，引入HAM-Bench基准验证，使多模态平均性能提升17.3%，为可靠多模态助手提供了层级感知的基础信号。
TeachMateGPT: A Multi-Agent Knowledge-Grounded Framework for Pedagogical Assessment Generation from Science Curriculum Materials
TeachMateGPT：面向科学课程材料的多智能体知识基教学评估生成框架
机构 * Ahsanullah University of Science and Technology（阿赫桑乌拉科技大学） ； American International University - Bangladesh（孟加拉国美国国际大学） ； Jashore University of Science and Technology（杰索尔科技大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 TeachMateGPT作为多智能体知识基框架，通过四项改进解决现有RAG系统局限，生成的科学评估题提升了忠实度与相关性，相关数据集经教师评分验证。
Inducing Reward-Free Judging Rubrics that Reduce Over-Crediting in Agent Evaluation
生成无奖励的评判标准以减少智能体评估中的过度打分
机构 * Trinity College Dublin（都柏林三一学院） ； University College Dublin（都柏林大学学院） ； Dublin City University（都柏林城市大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 该研究提出 RubricForge 方法，从带标签轨迹生成无奖励的智能体评判标准，可减少智能体评估中的过度打分，在 tau-bench 和 WebShop 上的表现优于通用 G-Eval 评判器。
Localization then Neutralization: Gradient-guided Token Suppression against Visual Prompt Injection Attack
先定位再中和：梯度引导的令牌抑制对抗视觉提示注入攻击
机构 * School of Advanced Interdisciplinary Sciences, UCAS（UCAS交叉学科研究院） ； School of Electronic, Electrical and Communication Engineering, UCAS（UCAS电子电气与通信工程学院） ； State Key Laboratory of AI Safety, Institute of Computing Technology, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室） ； Alibaba Group（阿里巴巴集团） ； School of Computer Science and Technology, UCAS（UCAS计算机科学与技术学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Key Laboratory of Big Data Mining and Knowledge Management, UCAS（UCAS大数据挖掘与知识管理重点实验室）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.LG
AI总结 针对多模态大语言模型的视觉提示注入攻击，提出梯度令牌掩码（GTM）方法，通过梯度分析定位关键图像令牌并掩码中和，将攻击成功率降至接近零且计算开销极小。
Theory-Grounded Evaluation Exposes the Authorship Gap in LLM Personalization
基于理论的评估揭示了LLM个性化中的作者身份差距
机构 * April 2026（2026年4月）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文通过理论指导的评估方法，揭示了LLM个性化中作者身份差距的问题，采用三种测量传统评估四种个性化方法，发现理论指导的指标能提供更准确的基准。
Comments Accepted at CTB Workshop, ICML 2026
