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。
Jina-VLM：小规模多语言视觉语言模型
机构 * Jina AI
专题命中 视觉问答 ：VLM(title,title_cn)；vision language model(title)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 Jina-VLM是一款24亿参数的多语言视觉语言模型，通过结合SigLIP2视觉编码器与Qwen3语言主干，实现了高效多语言视觉问答性能。
Comments 23 pages, 1-10 main content, 11-23 references and appendix
mR²AG：用于基于知识的视觉问答的多模态检索-反思增强生成
专题命中 视觉问答 ：MLLM(abstract,abstract_cn)；visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 该研究针对多模态大语言模型在基于知识的视觉问答中的缺陷，提出mR²AG框架，通过两种反思操作实现自适应检索与信息定位，在相关基准任务上性能优于现有方法。
Comments Accepted for publication in IEEE Transactions on Multimedia (TMM)
诊断大视觉语言模型中的密集同类属性绑定错误
机构 * Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院）） ； China Telecom Digital Intelligence Technology Co., Ltd.（中国电信数字智能科技有限公司） ； Shenyang Aerospace University（沈阳航空航天大学） ； University of Nottingham Ningbo China（宁波诺丁汉大学）
专题命中 视觉问答 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出InstaBind-Lite基准，量化大视觉语言模型的密集同类属性绑定错误（DSCAM），发现其错误率被总准确率掩盖，多数转移来自相邻实例，该基准可评估模型对属性所属实例的认知。
SimulRAG：基于模拟器的检索增强生成（RAG）框架，用于将大型语言模型（LLMs）落地到长篇科学问答任务中
机构 * University of California San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学）
专题命中 视觉问答 ：grounding(title,abstract)；分类 cs.LG
AI总结 针对LLMs在长篇科学问答中易幻觉的问题，本文提出SimulRAG框架，引入UE+SBA机制，发布相关基准，实验表明其信息量与事实性较基线分别提升30.4%、16.3%
Comments Haozhou Xu and Dongxia Wu are co-first authors
RISE：跨三维跟踪与结构化视觉-语言推理的路边基础设施序列理解
专题命中 视觉问答 ：MLLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出RISE框架，结合仅图像的三维跟踪方法与结构化视觉-语言推理，构建含33910个问答对的RISE-VQA数据集，通过RISE-Bench评估任务，揭示相关挑战并验证域自适应与时间上下文的益处。
视频-大语言模型（Video-LLM）问答中幻觉引用的检测：自验证流水线与验证器 ablation 研究
专题命中 视觉问答 ：grounding(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对视频-LLM问答中引用幻觉问题，提出自验证流水线，用小型自然语言推理模型作稳定验证器，在对抗性错误前提问题上检测率达79%，并发布相关代码。
LitTraceQA：面向科学问答的多阶段溯源与验证基准
机构 * University of Waterloo（滑铁卢大学） ； Amazon（亚马逊公司） ； City University of Hong Kong（香港城市大学） ； University of Amsterdam（阿姆斯特丹大学）
专题命中 视觉问答 ：grounding(title,abstract)
AI总结 该研究提出LitTraceQA基准，用于科学问答的多阶段溯源与验证，提供含多类型证据的问答数据，可评估系统的论文检索、证据溯源及答案准确性，助力生成可验证的科学问答结果。
Comments Work in Progress
重排序器所见：面向长文档多模态问答的多方面页面标注
机构 * Emory University（埃默里大学） ； Hippocratic AI（希波克拉底人工智能公司）
专题命中 视觉问答 ：VLM(abstract,abstract_cn)；visual question answering(abstract)；分类 cs.AI
AI总结 本文针对长文档多模态问答的重排序瓶颈，提出含Trident-R与Trident-S组件的Trident模型，通过多方面页面标注提升检索与生成性能，在多数据集上取得显著效果。
CrossView：视觉-语言模型能否跨相机进行推理？
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视觉问答 ：vision-language model(title)；分类 cs.CV
AI总结 本文提出CrossView多相机视频问答基准，评估发现GPT-5.2等模型跨相机推理准确率低，开源模型表现更差，该基准可用于测试模型联合处理多视角的能力。
Comments ECCV 2026
你所问即你所定位：连接问题意图与时序证据以实现定位视频问答
机构 * KAIST（韩国科学技术院） ； Ewha Womans University（梨花女子大学）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV
AI总结 针对定位视频问答中问题不变定位的失效模式，提出GroundFormer模型，通过可学习通信令牌、因子化MIL交叉注意力等技术，在NExT-GQA和STAR数据集上实现最优性能，提升时序定位的问题区分性。
Comments Accepted at ECCV2026. Code: this https URL (https://github.com/jinhseo/GroundFormer). Project page: this https URL (https://jinhseo.github.io/groundformer/groundformer.html)
VideoGAIA：面向通用人工智能助手的智能体视频理解基准
机构 * The Chinese University of Hong Kong（香港中文大学） ； Ant Group（蚂蚁集团） ； Tsinghua University（清华大学） ； Tongji University（同济大学） ； The Hong Kong University of Science and Technology（香港科技大学）
专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 VideoGAIA是面向通用AI助手的智能体视频理解基准，构建多轮工具增强交互任务，现有MLLMs在其上准确率不足60%，可评估下一代模型并推动相关转型。
一种用于AI辅助乳腺X线摄影解读的通用基础模型
机构 * Guangdong Provincial Key Laboratory of Malignant Tumor Epigenetics and Gene Regulation, Guangdong-Hong Kong Joint Laboratory for RNA Medicine, Department of Medical Oncology, Breast Tumor Centre, Phase I Clinical Trial Centre（广东省恶性肿瘤表观遗传与基因调控重点实验室，粤港澳RNA医学联合实验室，医学肿瘤科，乳腺肿瘤中心，I期临床试验中心） ； Guangdong Provincial Key Laboratory of Cancer Pathogenesis and Precision Diagnosis and Treatment, AI Big Data Laboratory, Department of Medical Oncology（广东省肿瘤发生与精准诊断与治疗重点实验室，人工智能大数据实验室，医学肿瘤科） ； Chongqing Key Laboratory of Bio-perception（重庆生物感知重点实验室）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 研究针对乳腺X线分析基础模型的临床转化缺陷，推出VersaMammo模型，构建含70余万张图像的多机构数据集，经两阶段预训练后在92项临床任务基准中表现顶尖，推动乳腺癌筛查诊断进展。
Comments 69 pages, 12 figures, 52 tables
面向通信高效自动驾驶的风险自适应边云视觉推理
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；visual reasoning(title)；vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出风险自适应边云视觉推理架构，通过车载交通评估触发云端VLM推理，在自动驾驶中减少54.1%云端请求量，同时保持任务成功率并降低AEB触发次数，实现通信效率与性能的平衡。
Comments 7 pages, 4 figures, 5 tables
通过目光思考：将眼动作为视觉推理监督用于医学视觉语言模型
机构 * School of Computing, University of Georgia（佐治亚大学计算机学院） ； Department of Computer Science and Engineering, University of Texas, Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院哈佛医学院） ； Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；visual reasoning(title)；分类 cs.CV、cs.AI
AI总结 通过引入眼动标记，利用时间有序的注视轨迹引导医学VLM的视觉推理，提升放射学任务的性能与鲁棒性。
通过对比注意力实现聚焦：增强视觉语言模型的视觉推理能力
机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of California, Merced（加州大学默塞德分校）
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本研究针对VLMs在复杂环境下性能下降的问题，提出无训练方法CARVE，通过像素级注意力对比提取任务相关视觉信号，在开源模型上实现最高75%的性能提升，为提升视觉推理提供了高效路径。
VFIG：利用视觉-语言模型矢量化SVG中的复杂图形
机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能 Allen 机构） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 视觉推理 ：vision-language model(title)；VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出VFIG，一种基于视觉-语言模型的矢量化方法，通过大规模数据集和分层训练策略，实现复杂图形到SVG的高保真转换，并在基准测试中取得优异成绩。
想象感知标记增强多模态语言模型的空间推理能力
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（Allen人工智能研究所） ； Microsoft（微软） ； OpenAI（开放人工智能研究院）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision language model(abstract)；分类 cs.AI
AI总结 提出想象感知标记（IPT）作为中间感知表征，通过监督学习提升多模态语言模型在不可见视角推理、遮挡路径追踪等空间推理任务上的性能，在三个新构建的数据集上优于文本思维链训练。
MetaReason：通过编辑元信息实现精确的交错多模态推理以解决几何问题
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出MetaReason框架，构建TutorGeo与ExamGeo数据集，结合监督微调与强化学习，实现几何问题的精确交错多模态推理，性能优于现有开源模型。
抖音多模态嵌入模型技术报告
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 针对现有多模态嵌入模型难以兼顾效率与细粒度区分的问题，提出分两阶段训练的DME模型，在MMEB-v2数据集及抖音生产场景中均取得优异效果。
Comments Technical Report
层次间推理：通过层选择性融合恢复视频-语言模型中的时间推理
机构 * National University of Singapore（新加坡国立大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出MERIT框架，通过层选择性融合提升视频-语言模型的时间推理能力，同时保持时间感知能力，优于全模型融合和随机层选择。
为何视觉无法作为通用桥梁：修正多语言多模态大语言模型（MLLMs）中的模态异步性
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； National Health Data Institute (Shenzhen)（国家健康数据研究院（深圳））
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)
AI总结 针对多语言MLLMs在非英语视觉推理中的性能下降问题，该研究发现其源于“幽灵锚点”模态异步性，提出ANCHOR训练框架，经实验验证可提升跨语言视觉推理性能。
PL-Guard：面向大语言模型安全护栏的概率逻辑推理
机构 * University of Amsterdam（阿姆斯特丹大学） ； Utrecht University（乌得勒支大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 该研究提出神经符号安全护栏架构PL-Guard，通过分离神经落地与概率符号推理，在XSTest基准上大幅降低大语言模型的不安全依从率，虽过度拒绝率略高，但提升了推理可审计性。
Comments Preliminary version of this paper was presented at the IJCAI 2026 Workshop on Logical and Symbolic Reasoning of Large Language Models
追踪真相：面向视频大语言模型的物体感知时空监控
机构 * National University of Singapore（新加坡国立大学） ； VinUniversity（文大学） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出STEMO-Bench基准测试，通过分解查询验证时空监控能力，改进视频大语言模型的时空推理一致性。
Comments The authors are withdrawing this manuscript due to errors identified in the experimental evaluation and result aggregation, which affect several reported quantitative results and some conclusions. These issues require substantial re-evaluation of the experiments and analysis
MOSS-VL 技术报告
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出开源视觉-语言模型MOSS-VL，通过全栈协同设计实现实时交互能力，在流式基准测试中表现优异，大幅领先同类开源模型，发布了相关检查点与代码。
Comments 22 pages. Project page: this https URL (https://openmoss.ai/MOSS-VL/)
AeroGround：用于空-地协同推理的综合基准
机构 * Shanghai Innovation Institute（上海创新研究院） ； College of Future Information Technology, Fudan University（复旦大学未来信息技术学院） ； College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Chongqing Technology and Business University（重庆工商大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出AeroGround基准，针对现有VLMs在空-地协同场景推理能力的研究空白，构建含29000组多模态观测与2250个问答实例的数据集，实验发现模型与人类表现差距显著，为相关系统开发提供基础。
Euclid-Omni：面向平面几何的统一神经符号框架
机构 * Apodex ； University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） ； ETH Zürich（苏黎世联邦理工学院） ； Meta FAIR
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 本文提出Euclid-Omni统一神经符号框架，结合形式几何系统与LLMs、VLMs，核心为符号几何求解器Euclidea，生成合成数据训练模型，在竞赛级几何问题上性能优异且成本更低。
FZ-VLM：用于肺结节特征表征与临床决策的两阶段Florence-Zephyr视觉语言模型框架
机构 * College of Engineering, University of Guelph（圭尔夫大学工程学院） ； Holland Bloorview Kids Rehabilitation Hospital（霍兰德布鲁尔维尤儿童康复医院） ； Guelph General Hospital（圭尔夫综合医院） ； Ontario Veterinary College, University of Guelph（圭尔夫大学安大略兽医学院）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；vision language model(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出首个两阶段视觉语言模型框架FZ-VLM，通过微调Florence-2与Zephyr-7B模型，实现肺CT中肺结节的结构化特征表征与临床决策，性能优于GPT-4基线及人类基线。
视觉语言模型（VLMs）无法规划，但它们能进行形式化吗？
机构 * Drexel University（德雷塞尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；grounding(summary_cn,abstract)；vision language model(title,abstract)
AI总结 本研究提出5种VLM作为形式化器的流水线，评估后发现其表现优于端到端规划生成，较弱VLMs的瓶颈为物体关系视觉grounding，较强模型已克服该限制。
FloodReasonBench：面向边缘端具身洪水响应的VLM推理分割基准
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；grounding(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 FloodReasonBench针对边缘端具身洪水响应，构建专用数据集并刻画推理分割流水线的性能权衡，为资源受限场景提供任务与系统层面的基准支持。
Comments Paper is currently under review. The code and dataset will be made public upon acceptance
UC-VLM：基于一致性驱动学习的视觉语言大模型生成图像检测方法
机构 * National University of Singapore（新加坡国立大学）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；分类 cs.CV
AI总结 UC-VLM是仅依赖二元监督的多阶段框架，通过复用真实性标签实现视觉适配与文本生成，在GenImage、Chameleon等数据集上显著提升了AI生成图像检测的准确率。
Comments Accepted by ECCV 2026
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