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。
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
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
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
双流跨锚校正：接地长文本描述与对象级锚点的域限制
专题命中 视觉定位与Grounding ：grounding(title)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对多模态大语言模型的长文本描述对象幻觉问题，本文提出双流跨锚校正方法，通过耦合感知流与认知流提升精度，在长文本场景下实现最优性能，且存在域条件性限制。
当状态成为攻击面：大语言模型驱动的具身智能体中的状态语义注入
机构 * Wuhan University（武汉大学） ； University at Buffalo（布法罗大学）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI
AI总结 该文聚焦LLM驱动的具身智能体，梳理其技术演进与现有模型，指出其需结合多类信息完成任务落地后执行，为后续状态语义注入攻击研究奠定基础。
Comments submitted to USENIX Security 2027
神经符号具身智能体
机构 * Imperial College London（帝国理工学院） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； City, University of London（伦敦城市大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.AI
AI总结 该研究提出一种神经符号具身智能体，将长周期家庭任务分解为视觉探索与符号规划，在VirtualHome、ALFWorld基准测试中表现优异，约束与搜索结合可大幅提升任务解决率，且无需专门训练。
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%。
训练模型，而非读者：可验证激活解释的可解码性监督
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 研究自然语言自动编码器对隐藏激活解释评分的问题，提出RECAP等方法，能使指定内容可解码，提高解释忠实度与安全性，如在预训练模型上实现可靠探测解码，提升对真实声明评分及识别谎言能力。
百万级多模态花粉显微镜图像与专家引导的基础模型
机构 * Department of Physics of Complex Systems, ELTE Eötvös Loránd University（ELTE罗兰大学复杂物理系） ； The Palynological Laboratory at the Swedish Museum of Natural History（瑞典自然历史博物馆孢粉学实验室） ； National Centre for Public Health and Pharmacy（国家公共卫生与药品中心） ； INRAE, UR 546 BioSP, Site Agroparc（法国国家农业、食品与环境研究院，UR 546 BioSP，阿格罗帕克园区） ； National Korányi Institute for Pulmonology（国家科拉尼肺病研究所） ； Health Data Science and AI Knowledge Centre, Health Services Management Training Centre, Faculty of Health and Public Administration, Semmelweis University（塞梅维什大学健康与公共管理学院卫生服务管理培训中心健康数据科学与人工智能知识中心） ； Department of Biological Physics, ELTE Eötvös Loránd University（ELTE罗兰大学生物物理系）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 提出百万级多模态花粉显微镜数据集Pollen AI Atlas，结合专家引导的视觉-语言模型生成形态描述，实现跨区域、跨设置的高精度花粉识别与检索。
Comments 31 pages, 5 main figures, supplementary information included. Submitted to Scientific Reports. v2: clarified reporting of taxonomic scope, captioning settings, backbone configuration, and evaluation details; no changes to numerical results or conclusions
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
ConstructCIE：用于从施工事故叙述中提取因果信息的数据集
机构 * Texas A&M University（德克萨斯农工大学）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 该研究构建了用于提取施工事故因果信息的ConstructCIE数据集，评估了相关模型的性能，发现模型在精确跨度提取上存在局限，需强化领域基础与证据提取。
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