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。
GRACE：基于适配器组合与证据感知校准的教育视觉问答的接地推理
专题命中 视觉问答 ：visual question answering(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对教育视觉问答的问题-选项捷径问题，提出GRACE框架，利用结构化教育状态实现参数高效多模态适配，在ScienceQA上提升了多项准确率。
通过自我场景增强在多模态大语言模型中强化自我中心空间感知
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Guangxi Zhuang Autonomous Region Information Center（广西壮族自治区信息中心） ； 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(title,abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 研究如何强化多模态大语言模型的自我中心空间感知，提出自我场景增强框架ESA，利用自我元素图作为中间表示，通过视觉基础模型增强空间感知，在EgoTextVQA基准上取得显著性能提升。
Comments 14 pages, 8 figures. Chi Kit Wong and Ye Pan contributed equally. Code: this https URL (https://github.com/Chikit-WONG/spatialGraph)
面向多模态视觉问答的问题引导式证据获取
机构 * Amazon Inc.（亚马逊公司）
专题命中 视觉问答 ：visual question answering(title)；grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 针对多模态视觉问答中模型读取文档不可靠的问题，提出Q-Guide智能体引导感知，在两个数据集上优于基线方法，且增益来自精准感知引导而非复杂控制逻辑。
校准的分诊，而非自主：医学视觉-语言模型的置信度估计
机构 * Michigan State University（密歇根州立大学）
专题命中 视觉问答 ：vision-language model(title,abstract)
AI总结 针对医学视觉-语言模型在回答时可能忽略图像而依赖语言先验的问题，提出使用置信度估计进行校准分诊，通过评估七种置信度估计器，发现高置信度区域是区分可用估计器的关键，最佳探针可将错误率从41-45%降至1-4%，但无估计器在所有领域和模型中一致最优。
Doc-V*：多页文档视觉问答中的粗到细交互推理
机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus团队） ； School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； School of Data Science, Fudan University（复旦大学数据科学学院）
专题命中 视觉问答 ：visual reasoning(title)；visual question answering(abstract)
AI总结 Doc-V*提出一种无OCR的智能框架，通过序列证据聚合解决多页文档VQA问题，结合语义检索和目标页面获取，提升回答准确性和证据收集效率，在五个基准测试中优于开源基线，提升领域外性能达47.9%。
Comments Accepted by Association for Computational Linguistics (ACL)
ArmorOCR：基于观测迁移自蒸馏的 grounded 对抗性视觉感知
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 本文提出ArmorOCR两阶段训练框架，结合OPSD与GRPO，推出含390幅图像的AdvSpot基准，可提升对抗性OCR感知能力并保留通用OCR性能
评估大语言模型的投资逻辑：面向个性化金融智能体的真实世界基准
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 该研究推出原生过程基准InvestLogicBench，含151位真实投资者的201247项决策，评估发现金融LLMs逻辑合理性高但事件接地性低，指出需以P→E→R→D→O轨迹评估个性化决策智能体。
CharTool: 集成工具的视觉推理用于图表理解
机构 * X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与工程学院X-LANCE实验室） ； Jiangsu Key Lab of Language Computing（江苏省语言计算重点实验室） ； Suzhou Laboratory（苏州实验室） ； AISpeech Co., Ltd.（思必驰科技股份有限公司）
专题命中 视觉推理 ：visual reasoning(title)；MLLM(abstract,abstract_cn)；grounding(abstract)；multimodal large language model(abstract)
AI总结 本文提出CharTool，通过集成工具提升多模态大语言模型对图表的理解能力，通过双重数据管道和代理强化学习，在六个图表基准测试中取得显著提升。
Comments Accepted by ACMMM 2026
面向物理视觉-语言推理的答案级信任选择
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.LG
AI总结 针对VLM部署中预测信任问题，提出模型无关的ATS框架，聚合8种诊断分数评估答案可靠性，可识别稳定错判等失效模式，补充模型级能力评估。
Comments Preprint
TempJail：基于字幕时序调度的针对大型视觉语言模型的时序越狱攻击
机构 * University of Electronic Science and Technology of China（电子科技大学） ； East China Normal University（华东师范大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 TempJail是一种黑盒视频越狱框架，通过优化字幕时序调度攻击LVLMs，在四个模型和两个数据集上的攻击成功率优于基线。
Comments 8 pages,4 figures
面向多模态大语言模型的符合规则的视觉空间规划
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所） ； Yinwang Intelligent Technology Co., Ltd（银湾智能科技有限公司）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.AI
AI总结 该研究针对多模态大语言模型的规则遵循空间规划问题，构建了RuleMaze基准，提出语言-逻辑-函数混合方法和解耦多模态规划（DMP），提升了规则遵循度与规划成功率。
DARS：用于基于指令的图像编辑的带结构化推理的双层级信用分配强化学习
机构 * South China Normal University（华南师范大学） ； KlingAI Research（可灵AI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DARS框架，解决基于指令的图像编辑系统仅用最终奖励训练效率低的问题，通过双层级信用分配实现更好性能，在推理密集型编辑上增益显著。
Zoom-IQA：基于可靠区域感知推理的图像质量评估
机构 * S-Lab, Nanyang Technological University, Singapore（S实验室，南洋理工大学，新加坡） ； SenseTime Research（商汤科技研究院）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision language model(abstract)；分类 cs.CV
AI总结 研究图像质量评估问题，提出基于视觉语言模型的Zoom-IQA，通过两阶段训练管道，包括监督微调与强化学习，有效减轻标注偏差，提升了模型在鲁棒性、可解释性和泛化性方面的表现，在下游任务中也展现出有效性。
Comments ECCV 2026, Project Page: this https URL (https://ethanliang99.github.io/ZOOMIQA-Projectpage)
VGI-BENCH：探究视频生成模型的视觉智能
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tsinghua University（清华大学） ； University of Waterloo（滑铁卢大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（矢量研究所） ； Microsoft Research（微软研究院） ； Etude AI
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 本研究推出VGI-bench基准，含27项任务810个实例，评估视频生成模型视觉推理能力，发现最强模型Seedance~2.0仅达51.0%，将推动下一代视频生成模型发展。
你能看到你所绘制的内容吗？面向统一多模态模型整体评估的语义闭环框架
机构 * Hangzhou Institute for Advanced Study（杭州高等研究院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Computer Network Information Center（计算机网络信息中心） ； Chinese Academy of Sciences（中国科学院）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本研究针对统一多模态模型的系统级评估缺口，提出无标注的SGU语义闭环框架，通过感知-生成-推理流程评估模型综合能力，发现高性能模型存在自生成上下文推理局限，为下一代模型开发提供基准基础。
Comments 21 pages, 8 figures, 12 tables. Title updated; author contribution and corresponding-author notes added. Hao Zhang and Jiaxin Qi contributed equally; Jianqiang Huang is the corresponding author
VISD: 通过结构化自蒸馏增强视频推理
机构 * HUST（华中科技大学） ； Wuhan University（武汉大学） ； Peking University（北京大学） ； Tsinghua University（清华大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出VISD框架，利用结构化自蒸馏和方向-幅度解耦机制，实现细粒度信用分配，提升视频推理准确性和训练效率。
迈向通用具身智能：整合大语言模型、知识库与推理能力以构建下一代AI智能体
机构 * College of Mechanical Engineering, Chongqing University of Technology（重庆理工大学机械工程学院） ； James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院） ； School of Energy and Power, Jiangsu University of Science and Technology（江苏科技大学能源与动力学院） ； Magnesium Research Center, Kumamoto University（熊本大学镁研究中心） ； Department of Information and Communication Engineering, Nagoya University（名古屋大学信息与通信工程系） ； State Key Laboratory of Fluid Power and Mechatronic Systems, Zhejiang University（浙江大学流体动力与机电系统国家重点实验室）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文综述以LLM为核心的智能系统演进，提出整合LLMs、KBs、RA与具身性的概念框架，明确高效LLM部署等五大挑战，为开发复杂动态环境下的自适应多模态智能体提供路线图。
CAViAR：用于真实场景细粒度事故推理的因果视频数据集
机构 * NEC Laboratories, America（美国NEC实验室）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 该研究推出人工标注的真实事故视频基准CAViAR，测试发现现有VLMs存在感知-推理差距，无法可靠将驾驶场景主体行为映射到责任类别。
Comments Accepted to ECCV 2026 Workshop DriveX
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。
月球地质学的可验证机器解释
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.LG
AI总结 本研究将地质知识推理方法嵌入多模态视觉-语言架构，构建可验证的月球地质学机器解释模型，结合开卷检索解决数值年龄定年依赖记忆先验的问题，明确自动地质推理的必要架构。
MPCoT: 奖励引导的多路径潜在推理用于测试时可扩展的视觉-语言-动作
机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； Department of Computer Science, Tsinghua University（清华大学计算机系）
专题命中 视觉推理 ：VLM(abstract_cn)；分类 cs.AI
AI总结 提出MPCoT框架，通过奖励引导的多路径潜在推理，在保持零推理令牌和原始动作接口的同时，提升长时域和高不确定性控制任务中的VLA策略性能。
Comments 14 pages, 5 figures, submitted to CoRL
XDen-1K：一个现实世界物体的密度场数据集
机构 * ShanghaiTech University（上海科技大学）
专题命中 视觉推理 ：VLM(abstract)；分类 cs.CV
AI总结 XDen-1K通过提供大规模现实世界物体的多模态数据，推动物理基础视觉推理和具身AI的研究。
Comments Project Page: this https URL (https://xden-1k.github.io/)
TS-Reasoner：将时间序列基础模型与大语言模型推理能力对齐
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 TS-Reasoner通过两阶段训练将时间序列基础模型与大语言模型对齐，在多个基准上性能优于同类模型且数据效率更高，解决了时间序列模型推理能力不足的问题。
Comments Accepted to Transactions on Machine Learning Research, 2026
V-REX：面向兽医X光片的高效专用视觉语言模型（VLM）训练
机构 * Vyyo AI ； Mars Petcare（玛氏宠物护理）
专题命中 视觉定位与Grounding ：VLM(title,title_cn)；grounding(abstract)；分类 cs.CV
AI总结 该研究针对兽医X光片领域，提出高效专用VLM训练方案，无需依赖额外数据，用更少资源开发出能生成兽医X光诊断报告的模型，性能远超同类开源基础模型。
用于将多模态语言模型与剩余使用寿命关联的时间序列检索
机构 * University of Luxembourg（卢森堡大学）
专题命中 视觉定位与Grounding ：grounding(title)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出时间序列检索关联的多模态大语言模型框架，在C-MAPSS基准FD001分区实验显示，该方法可提升RUL预测的误差与稳定性，且效果随模型容量变化。
面向物联网汽车应用的全自动、感知部署的测试流水线
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)
AI总结 针对物联网汽车应用的测试难题，提出结合LLM、VLM及人在回路机制的感知部署测试流水线，经CPDS案例验证可实现全需求覆盖与高准确率，适配OEM-供应商测试工作流。
Comments Submitted, accepted and presented at IoTBDS26
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
ID-VTG：基于图像消歧的视频时间定位
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 针对视频时间定位中视觉相似实体的消歧难题，本文提出ID-VTG任务与VGD-Agg框架，构建两个基准数据集，实现了该任务的当前最优性能。
Comments ACM-MM 2026
用于快速射电暴检测的通用视觉语言模型：针对专用探测器的零样本基准测试
机构 * Universidade Federal de Campina Grande（坎皮纳格兰德联邦大学） ； Instituto de Formação de Educadores, Universidade Federal do Cariri（卡里里联邦大学教育工作者培训学院）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract_cn)；分类 cs.LG
AI总结 研究通用视觉语言模型在零样本下检测快速射电暴，从模拟动态频谱中抽取样本作基准，比较其与专用探测器，发现Gemma 4 2B准确率与SwinYNet相近，在结构化RFI上误报率低，重写提示可用于三类分类，准确率较高。
Comments 31 pages, 7 figures. Section added with analysis for real data. New figures and tables added. Other minor changes
视频证据推理：通过显式证据接地实现高效的视频理解
机构 * Department of Applied Mathematics, The Hong Kong Polytechnic University（应用数学系，香港理工大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出CoE框架，通过显式证据接地模块和强化学习优化的锚定协议，提升视频推理的准确性和可靠性。
Comments 6 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