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。
PROBE：基于操作的视觉问答（使用VLM智能体）
机构 * NVIDIA（英伟达）
专题命中 视觉问答 ：VLM(title,title_cn)；visual question answering(title,abstract)；vision-language model(abstract)；grounding(abstract)
AI总结 针对现实杂乱环境中需操作遮挡物体的视觉问答问题，提出PROBE框架，含模拟器、基准测试集及微调方案，提升VLM智能体性能并验证模拟到现实的迁移。
基于记忆树引导的关键帧查询的高效三维问答
机构 * University of Washington（华盛顿大学） ； Amazon（亚马逊公司） ； 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 ：LLaVA(summary_cn,abstract)；VLM(abstract,abstract_cn)；vision language model(abstract)；分类 cs.CV
AI总结 本研究针对具身场景三维问答的效率问题，提出MemTree3D记忆树引导的关键帧选择方法，在OpenEQA数据集上显著提升GPT-4o与LLaVA-OneVision-7B的问答性能，优于现有视觉搜索方法。
Comments ECCV 2026
用于医学视觉语言模型无注释幻觉缓解的反事实解剖学引导时空解码
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； MedOS
专题命中 视觉问答 ：vision-language model(abstract)；visual question answering(abstract)；grounding(abstract)；分类 cs.CV
AI总结 该研究提出无需人工注释的CAST框架，通过自动选择解剖区域结合对比解码，在SLAKE和MIMIC-CXR数据集上针对三种Med-VLMs实现优于基线的幻觉缓解，提升了医学视觉语言模型的空间接地性。
Comments Accepted by MICCAI 2026
第10届AI City挑战赛
机构 * Santa Clara University（圣克拉拉大学） ； University at Albany, SUNY（纽约州立大学奥尔巴尼分校） ； Iowa State University（爱荷华州立大学） ； Woven by Toyota（丰田编织公司） ； United Arab Emirates University（阿拉伯联合酋长国大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； University of Macau（澳门大学） ； North Carolina State University（北卡罗来纳州立大学） ； Columbia University（哥伦比亚大学） ； Milestone Systems（里程碑系统公司） ； Xi’an Jiaotong University（西安交通大学） ； Johns Hopkins University（约翰斯·霍普金斯大学）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文总结了与ECCV 2026同期举办的第10届AI City挑战赛的设置、数据集、评估结果等，该赛事规模扩大，设多类赛道，成功系统结合基础模型与多种技术。
Comments Summary of the 10th AI City Challenge Workshop in conjunction with ECCV 2026
PathoArgus：推进千兆像素全切片与多切片病例语境下基于证据的长上下文视觉推理
机构 * The Hong Kong University of Science and Technology（香港科技大学）
专题命中 视觉推理 ：visual reasoning(title)；grounding(abstract)；分类 cs.CV
AI总结 研究针对病理视觉推理的证据基础评估缺口，构建PathoArgus-Bench基准与ESG受控集，发现现有模型准确率高但证据基础弱，提出PathoArgus阅读器，呼吁转向证据导向的评估。
DeAR：基于能力锚定与协作思维导航的去中心化智能体推理
专题命中 视觉推理 ：grounding(title,abstract)；分类 cs.AI
AI总结 针对现有智能体推理系统的路由瓶颈与静态角色分配问题，提出DeAR框架，通过三种机制实现去中心化协作，在9类基准测试中性能优于基线方法，提升了知识密集型推理任务的准确性。
Co-RL：多智能体强化学习中多样群体涌现的无监督推理
机构 * University of Exeter（埃克塞特大学） ； ByteDance（字节跳动） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； UC San Diego（加州大学圣迭戈分校）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 本研究提出Co-RL框架，通过参数不共享的多智能体协作训练，利用同伴奖励减少对真实标注的依赖，提升纯文本及多模态任务的推理性能，缓解训练崩溃与响应同质化问题。
Comments 30 pages, 5 figures, 11 tables
基于区域级组织推理与非平衡最优传输的淋巴细胞模拟修正
机构 * Duke University（杜克大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.LG
AI总结 针对细胞模拟导致的病理细胞分类歧义问题，提出Loki-OT方法，结合区域级组织推理与非平衡最优传输，在TCGA-BRCA队列上取得更优性能。
Comments 13 pages, 3 figures. Accepted to the MICCAI 2026 COMPAYL Workshop
REChart：基于大型推理模型的推理高效图表编辑方法
机构 * HKUST(GZ)（香港科技大学（广州））
专题命中 视觉推理 ：visual reasoning(abstract)；MLLM(abstract_cn)；分类 cs.CV
AI总结 REChart是两阶段训练框架，通过过程级监督提升图表编辑的保真度与推理效率，在两个基准上实现同规模开源模型最优性能，推理token用量降低79.0%。
BEAR-Bench：面向多模态模型的双语企业与学术推理基准
机构 * Yandex Applied AI Institute（Yandex应用人工智能研究院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文针对多模态大语言模型在文本密集专业文档推理能力评估的不足，推出英俄双语的BEAR-Bench基准，评估16个多模态大语言模型并对比幻觉检测方法，发现最强模型仍有明显性能提升空间。
GroupForward：通过实例分组前馈高斯溅射构建可参考的3D场景
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 GroupForward是一种实例分组前馈高斯溅射模型，可从稀疏多视图图像重建3D场景，结合RSRF实现复杂3D参考推理，提升了语义重建与参考推理的性能。
PDDL-ART：基于演示的自主符号抽象方法，用于使用视觉语言模型的长时程机器人操纵
机构 * University of Michigan（密歇根大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；grounding(abstract)
AI总结 PDDL-ART是一种基于VLM的框架，可自主从演示生成PDDL描述，经多阶段校正确保语义对齐，在发动机维护和家庭操纵任务上平均成功率达93.3%，优于基线规划器。
PerFact：用于3D脑部MRI报告生成的感知衍生事实提示方法
专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)；vision-language model(abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 该研究针对3D脑部MRI报告生成，提出PerFact方法，以上游3D分割分类输出的结构化事实提示LoRA适配的视觉语言模型，证实grounding信息是报告质量的主导因素而非模型选择。
OVIP-SG：用于小型细粒度物体映射与检索的开放词汇实例保留场景图
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)
AI总结 本文提出OVIP-SG框架，通过VLM等技术实现小型细粒度物体的实例保留映射与语言引导检索，在Replica数据集上的多项指标优于现有方法，且经实际机器人实验验证有效。
Comments 15 pages, 6 figures, including appendix
SemComp-Bench：视频生成中的语义任务完成基准
机构 * University of Science and Technology of China（中国科学技术大学） ； Sun Yat-sen University（中山大学）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 该研究提出面向结果的视频生成任务语义任务完成，构建SemComp-Data数据集与SemComp-Bench基准，发现代表性视频生成模型在兼顾结果实现与参考图像语义基础上仍具挑战。
MS-MFAD：用于人脸活体检测的多模态大语言模型
机构 * Mashang Consumer Finance Co., Ltd.（马上消费金融股份有限公司） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；分类 cs.CV
AI总结 针对人脸活体检测的复合威胁与现有方法瓶颈，提出基于多模态大语言模型MFAD的可解释系统，通过细粒度像素-语义锚定机制与少量语义标注实现优异检测性能，鲁棒性与效率更优。
HODAgent：面向物理世界人机交互的按需、响应式人形机器人
机构 * Xiaopeng（小鹏）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；grounding(abstract)
AI总结 HODAgent作为面向服务人形机器人的System-2具身智能体，通过半双工架构实现自适应服务，在仿真与实体机器人上均显著优于基准模型。
从语料到协同进化的能力：面向通用图像生成的以能力为中心的数据设计
机构 * Alibaba Group（阿里巴巴集团）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 该研究提出能力驱动的数据基础设施，构建三类监督引擎，整理大规模图像语料，训练多模态扩散模型，在CPI-Bench等评估中展现良好生成与迁移能力。
Comments 19 pages, 10 figures
将AI智能体建立在契约基础上：对规范驱动测试生成的实证评估
专题命中 视觉定位与Grounding ：grounding(title)
AI总结 本研究针对LLM智能体生成测试时易遗漏契约相关边界的问题，提出规范驱动测试生成方法，经Google生产缺陷评估，其缺陷检测率、分支覆盖率均优于基线，测试套件质量也显著更高。
利用大语言模型传达信用风险：基于标准数据与替代数据模型的解释评估
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本研究探究大语言模型能否作为解释层转化信用风险模型的事后解释，构建三类流程并采用三类LLM，发现证据表征是解释质量的关键制约，专业人士对证据标准要求更严格。
Comments 49 pages, 14 figures
MoRAX：面向地理空间基础模型的基于移动性的表示增强方法
机构 * The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 MoRAX是增强地理空间基础模型的轻量级框架，利用人类移动性数据补充区域功能结构，其教师模型在多国多城市的八项预测任务中优于基线，学生模型性能接近教师，可实现零样本部署与跨国家迁移。
多轮对话式AI：从文本到多模态交互——数据、模型、评估与开放挑战
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本研究综述多轮对话式AI的发展现状，梳理其在数据、模型等方面的进展，指出多模态交互能力提升但存在记忆等短板，并提出相关研究议程。
Comments Multi-turn Conversational AI; Multimodal Dialogue; AudioLLMs; Conversational Memory; Tool-Augmented Agents; Dialogue Evaluation
TraceSQL：无参考文本到SQL验证的可追踪答案性估计
机构 * Oracle Corporation（甲骨文公司）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 针对无参考文本到SQL验证的可追踪性不足问题，提出基于67种诊断特征的轻量模型TraceSQL，在BIRD数据集上优于基线模型，可提供可追溯的预测证据。
Comments 9 pages main paper with 6 pages supplementary material
基于经验证的LLM推断依赖关系与响应驱动优化的REST API测试
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出APIPilot框架，通过执行验证LLM推断的REST API依赖关系，结合响应驱动优化，在16个真实API上实现高覆盖率与成功率，优于现有基线。
Comments Submitted to ICSE 2027
哪个来源更胜一筹？视觉-语言模型中依赖关系的任务依赖性
机构 * University of South Florida（南佛罗里达大学）
专题命中 文档图表理解 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 该研究探究视觉-语言模型的模态依赖，通过构建算术与图表冲突基准，发现其依赖关系随任务、证据结构等变化，不同模型在对应基准中呈现相反的模态依赖模式。
Comments 20 pages. Under review
代码作为表示：学术文档的可编译解析范式
机构 * Southeast University（东南大学） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 针对学术PDF难以被机器处理的问题，提出CADP可编译解析范式，构建CADP-Bench基准并测试SOTA MLLMs，发现前沿模型仍难生成高保真可执行重构，该基准已开放供研究。
Comments Accepted by ACM MM 2026
具身导航器：指向、思考、记忆与对齐以实现高效导航
机构 * ZJU（浙江大学）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)
AI总结 本研究提出具身导航框架TAMP-Nav，通过像素转3D动作、选择性推理记忆与GRPO两级对齐，在R2R-CE数据集上实现66.2% SR，仅需90k训练轨迹，达成高效具身导航的最优性能。
如果、那么、否则：诊断视觉-语言导航中的条件分支
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Collins Aerospace（柯林斯航空航天公司）
专题命中 GUI与屏幕智能体 ：grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 针对视觉-语言导航智能体的条件分支诊断需求，提出基于场景图的基准CondVLN及轻量级神经符号分支选择模型，可暴露智能体的逻辑决策失败并提升性能2倍。
Comments 11 pages, 1 figure, 3 tables. Project page: this https URL (https://condvln.github.io/)
EATR-Stereo：面向人形机器人视觉-语言-动作控制的具身感知配对立体证据路由
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 GUI与屏幕智能体 ：grounding(abstract,abstract_cn)
AI总结 EATR-Stereo是具身感知的令牌路由框架，在冻结预训练VLA模型的前提下，通过选择性路由配对立体证据，提升了人形机器人长时程视觉-语言-动作控制的任务成功率。
Comments 8 pages, 5 figures
面向动作感知无线边缘网络的边缘原生具身智能
专题命中 GUI与屏幕智能体 ：grounding(abstract)
AI总结 该研究提出边缘原生具身智能（ENEI）框架，整合6G技术与具身智能，通过双向循环解决具身智能部署的资源与延迟问题，经案例验证可支撑自适应具身无线系统。
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