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。
EVADE：带弃权机制的证据验证智能诊断方法
机构 * Monash University（莫纳什大学） ； Murdoch University（默多克大学）
专题命中 视觉问答 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 该研究针对医学VLMs不可靠问题，提出无需训练的EVADE方法，通过跨图像视图验证一致性并引入弃权机制，在多医学VQA数据集上提升了校准度与选择性风险，同时维持了准确率。
TractoGraphVLM：用于白质纤维束成像的统一视觉-语言框架
专题命中 视觉问答 ：vision language model(abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 TractoGraphVLM是统一视觉-语言框架，可完成白质纤维束的分类、检索、描述、问答四项任务，在HCP数据集上表现良好，具跨年龄迁移鲁棒性，仅从语言学习神经解剖学知识。
Comments Accepted as a Spotlight at the ECCV 2026 Workshop on Artificial Intelligence for Medical 3D Vision (AI4M3D). Our codebase, including all training and evaluation pipelines, is publicly available at this https URL (https://github.com/AS-Lab/Marthi-et-al-2026-TractoGraphVLM-Unified-Vision-Language-White-Matter-Tractography)
DeepWeaver：弥合开放域问答中的证据合成鸿沟
机构 * Tsinghua University（清华大学）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 该研究针对开放域问答中检索与生成间的证据合成鸿沟，提出DeepWeaver框架，通过Thought Block Chains编织证据，在LoQA和DeepResearch Bench基准上提升了问答的内容、引用及见解质量。
Comments 49 pages, 6 figures
用于第一人称视角视频的视觉-语言模型：从手-物交互到具身智能
机构 * University of Tehran（德黑兰大学）
专题命中 视觉推理 ：vision-language model(title)；分类 cs.CV
AI总结 本综述梳理了用于第一人称视角视频理解的视觉-语言模型的发展，分析其挑战、研究方向与局限，明确了可部署具身智能的关键优先方向。
UMER：通过感知对的判别推理统一嵌入与排序以实现通用多模态检索
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.AI
AI总结 本研究针对通用多模态检索的需求，提出UMER框架，通过感知对的判别推理联合学习对比式嵌入与判别式排序，在MMEB-V2基准上实现最优性能且支持可调整预算的推理。
求解不等于绘图：奥林匹克几何图解推理基准
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 该研究针对基础模型图解推理能力评估缺口，构建含954道奥林匹克几何题的基准，发现模型求解与绘图能力存在显著差距，绘图平均编译成功率仅36.14%。
Comments ICML 2026, AI4MATH Workshop
ForeSightGuide：面向视障人士的精准低冗余前瞻式导航框架
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 该研究针对视障人士出行的信息过载问题，提出前瞻式导航框架ForeSightGuide，结合语义理解与危险预测，在新数据集及公共基准上实现最优性能，冗余警报与漏险率表现优异。
DentAgent：以证据为中心的多智能体协调的多模态牙科推理框架
机构 * Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； Angelalign Technology Inc.（时代天使科技有限公司） ； Peking University（北京大学） ； Tsinghua University（清华大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 针对现有牙科AI系统模态或任务局限及证据不可追溯问题，提出以证据为中心的多智能体框架DentAgent，经四个基准测试，其多标签诊断性能超越资深专家17.3个百分点，可用于多模态牙科推理及人群口腔健康评估。
持续推理环境：诊断与利用持续RLVR中的共享推理
机构 * State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室（BIGAI）） ； Beijing Institute of Technology（北京理工大学） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； State Key Lab of General AI, School of Intelligence Science and Technology, Peking University（通用人工智能国家重点实验室、北京大学智能科学与技术学院）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.LG
AI总结 本研究提出持续推理环境，针对持续RLVR中顺序训练性能低于MTRL的问题，提出CPR方法利用共享推理，使模型平均达到MTRL级性能。
GrabVG：面向无人机图像视觉 grounding 的图注意力绑定方法
机构 * Northwestern Polytechnical University（西北工业大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV、cs.AI
AI总结 本文针对无人机图像视觉 grounding 的冗余与拓扑歧义问题，提出 GrabVG 框架，通过预注意假设搜索与图注意力特征绑定实现目标定位，在 AerialVG、AerialSense 数据集上精度显著优于基线且精度-速度权衡良好。
基于视觉语言模型的X射线荧光（XRF）与光学显微镜视场（FOV）定位
机构 * Northwestern University（西北大学） ； University of Chicago（芝加哥大学） ； Oregon Health and Science University（俄勒冈健康与科学大学） ； Argonne National Laboratory（阿贡国家实验室）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision language model(title,abstract)；分类 cs.CV
AI总结 本文针对跨模态显微图像的视场定位难题，提出结合视觉语言模型（VLM）的候选生成-验证工作流，在低对应度的相邻切片成像数据中实现了有效定位，为关联XRF与光学显微测量提供了支撑。
PATE-Forensics：以通用多模态大语言模型（MLLM）为工具的可解释深度伪造取证方法
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视觉定位与Grounding ：MLLM(title_cn,summary_cn)；分类 cs.CV
AI总结 本研究提出PATE-Forensics，采用“感知即工具”范式，基于DINOv3构建取证感知工具，结合通用MLLM实现可解释深度伪造取证，在DDL-X Track 3数据集上取得0.89的最佳官方分数，较次席高出0.19分。
Comments 9 pages, 3 figures, 2 tables; DDL-X Track 3, IJCAI 2026 AI Safety Workshop
从威胁情报到检测：知识驱动的丰富化与基于模板的规则落地用于自动化Sigma规则生成
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI
AI总结 本研究设计了AUTOSIGMA，结合知识驱动丰富化等技术，将非结构化CTI报告自动生成Sigma规则，其在多项指标上优于其他方案。
Comments Submitted for publication and currently under review
StocksTalk：一种面向网络数据结构化查询生成的语音赋能对话智能体
机构 * IIIT-Delhi（德里印度信息技术学院） ； Singapore Institute of Technology（新加坡理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 StocksTalk是一种语音赋能对话系统，可将口语化金融请求转为结构化查询，通过多模块提升准确性，为股票筛选决策提供支持。
SPADE：自适应合成可执行环境中的自博弈
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Seoul National University（首尔大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Chicago（芝加哥大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 SPADE是一种双角色自博弈强化学习框架，让单个LLM同时担任环境设计者与推理智能体，在多类基准上显著提升了语言智能体的性能，推动了开放式自我改进。
Comments Work in progress. Project page: this https URL (https://spade-rl.github.io); Code: this https URL (https://github.com/spade-rl/spade)
USR-Drive：通过3D高斯与边界框联合去噪实现统一驾驶场景表示
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出USR-Drive框架，将3D高斯与边界框作为对齐的潜在令牌流，通过统一多模态扩散Transformer联合去噪，在nuScenes和VKitti数据集上实现动态重建与3D检测的SOTA性能。
COSTA：面向存在域偏移的航拍点云无标注开放集语义分割的以聚类为中心范式
机构 * Fujian Institute of Research on the Structure of Matter, Chinese Academy of Sciences（中国科学院福建物质结构研究所） ； Institute of Urban Environment, Chinese Academy of Sciences（中国科学院城市环境研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Resource and Environmental Sciences, Wuhan University（武汉大学资源与环境科学学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 COSTA提出以聚类为中心的范式，无需额外训练即可在推理阶段将预训练航拍点云分割模型适配到偏移目标域，在三个基准上实现按需分割，mIoU达70.09%。
面向任务型对话的角色引导大语言模型智能体
机构 * University of Kentucky（肯塔基大学）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 该研究构建无需训练的框架，通过三种情境评估多模型在SGD数据集上的表现，发现适应用户人格存在权衡，Try情境的线索式适应可更可靠实现感知人格的任务型对话。
Comments 8 pages
在高风险公共部门应用中使用开源模型评估结构化信息提取
机构 * Berlin University of Applied Sciences（柏林应用科学大学） ； Einstein Center Digital Future（爱因斯坦数字未来中心）
专题命中 文档图表理解 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.AI、cs.LG
AI总结 本研究针对欧盟AI法案高风险公共部门应用场景，构建基准评估开源OCR、LLM、VLM在学生申请处理任务的性能，发现零样本下多数模型表现差，输入结构保留是关键因素。
Comments Accepted at Workshop on Systems Over Models: What Actually Works in Industry (SOMI-2026) at ECML 2026
OmniHandwritingOCR：用于评估多模态大语言模型在手写OCR场景中表现的诊断基准
机构 * East China Normal University（华东师范大学）
专题命中 文档图表理解 ：grounding(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本研究推出OmniHandwritingOCR手写OCR诊断基准，评估13个多模态模型，发现其在复杂公式上表现差且存在幻觉，为诊断模型失效模式提供测试平台。
Comments CIKM 2026
DocClaw：用于智能文档处理的统一智能体系统
专题命中 文档图表理解 ：VLM(abstract_cn)；分类 cs.CV
AI总结 研究针对现有智能文档处理任务多为独立建模的问题，提出统一智能体系统DocClaw，通过智能体与文档的共享交互处理多种IDP任务，在基准测试中取得有竞争力的性能。
离线解释选择中， pairwise 排序优于单动作强化学习：一个实践经验
机构 * Amazon（亚马逊公司）
专题命中 GUI与屏幕智能体 ：grounding(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 该研究针对工业可解释推荐系统的高成本问题，提出将 LLM 解释生成与选择分离的方案，发现 pairwise 排序方法在离线解释选择中优于单动作强化学习，且构建成本低、延迟小。
Comments This is an extended version of a 3-page paper accepted to the RecSys 2026 Research and Practice Notes track
ComponentBench：诊断计算机使用智能体的组件级故障
机构 * Duke University（杜克大学） ； Amazon AGI SF Lab（亚马逊AGI旧金山实验室）
专题命中 GUI与屏幕智能体 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出ComponentBench基准及诊断流水线，评估7种计算机使用智能体在4种观测动作空间下的表现，发现观测动作空间会显著影响性能，且空间操作仍是智能体的挑战。
Comments Accepted at COLM 2026. 30 pages (10 pages main text), 10 figures, 15 tables. Website: this https URL (https://componentbench.com) Code: this https URL (https://github.com/TianchenGuan/ComponentBench) Data: this https URL (https://huggingface.co/datasets/TianchenGuan/ComponentBench)
GAPL：面向基于大语言模型的轨迹规划的接地动作效果策略学习
机构 * University of Oslo（奥斯陆大学） ； Aalborg University（奥尔堡大学） ； University of Sydney（悉尼大学） ； Nanjing University of Information Science and Technology（南京信息工程大学） ； Simula Research Laboratory（西穆拉研究院）
专题命中 GUI与屏幕智能体 ：grounding(abstract)
AI总结 针对LLM用于自动驾驶轨迹规划时存在的幻觉、接地不足等问题，提出GAPL框架，整合三类模块并经实验验证其性能优于基线方法
Comments 11 pages, 5 figures, 6 tables
当安全覆盖视觉时：探索视觉语言模型中视觉影响与安全对齐之间的动态关系
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；visual reasoning(abstract)；grounding(abstract)；分类 cs.CV
AI总结 该研究探究对齐视觉语言模型中安全诱导弃权的内部解码动态，发现安全对齐未抑制感知接地，抑制拒绝相关表征可恢复接地回答，揭示了其一种新的失败模式。
基于视觉语言模型的不确定性感知艺术史年代测定
机构 * Marburg University（马尔堡大学）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 该研究针对艺术品年代测定中的时间纠缠问题，将其转化为不确定性感知回归任务，通过在Wikidata艺术品语料库上实验发现视觉语言模型（VLMs）在该任务上优于纯视觉自监督基线，但存在偏差。
你即你所提示的：农业食品视觉语言模型中的提示质量、领域偏移与不确定性
机构 * University of Granada（格拉纳达大学）
专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.LG
AI总结 该研究针对农业食品领域，评估了零样本提示集成（ZPE）在分布内与分布外场景的表现，提出PID方法提升严重领域偏移下的故障检测能力，验证了领域特定提示池的优势。
Comments Accepted in the journal Procesamiento del Lenguaje Natural (SEPLN2026)
减轻技术人员的检索负担：面向赛斯纳172维护手册的多模态检索增强生成
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)
AI总结 本研究针对赛斯纳172维护手册，开发多模态检索增强生成流程，其多模态手册检索器召回率达93.37%，生成响应与基准答案语义相似度87.20%，可减轻技术人员检索负担。
从推理到适应：视觉语言模型的统一最优传输视角
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊公司） ； Wayne State University（韦恩州立大学）
专题命中 VLM训练与架构 ：VLM(summary_cn,abstract)；vision language model(title)；vision-language model(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 本研究提出名为algname的VLM测试时适应方法，通过Wasserstein最优传输统一VLM的推理与适应目标，实验显示其性能较最优方法提升7%且效率先进。
打破最弱环节以规避视觉语言模型
机构 * ESILV（ESILV高等工程师学院） ； Thales（泰雷兹集团）
专题命中 VLM训练与架构 ：vision language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 本研究针对视觉语言模型（VLMs）提出仅优化视觉编码器的梯度攻击方法，在Qwen2.5-VL等模型上验证微小扰动可规避模型，凸显其对抗操纵的脆弱性并呼吁强化安全机制。
Comments 17 pages
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