M3D: Advancing 3D Medical Image Analysis with Multi-Modal Large Language Models
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV；MLLM(comments)
Comments MLLM, 3D medical image analysis
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
1. 视觉问答 3129 篇
Graph Relation Transformer: Incorporating pairwise object features into the Transformer architecture
专题命中 视觉问答 ：visual question answering(abstract,comments)；分类 cs.CV
Comments Presented as poster in CVPR 2021 Visual Question Answering Workshop
DeepWeaver: Bridging the Evidence Synthesis Gap in Open-Ended Question Answering
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
Look Clearly Before Answering: Mitigating Hallucinations in LVLMs via Saliency-Driven Perceptual Realignment
回答前看清楚：通过显著性驱动的感知重新对齐减轻LVLMs中的幻觉
机构 * Xidian University（西安电子科技大学） ； Tsinghua University（清华大学） ； Shanghai Road Transport Development Center（上海市道路运输发展中心） ； Hunan Institute of Advanced Technology（湖南先进技术研究院）
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV
AI总结 研究针对LVLMs易产生幻觉问题，提出无需训练的SDPR框架，通过显著性驱动注意力重新分配、缓存对齐及先验约束对比解码，整体对齐视觉意识，在多基准测试中优于现有方法，无需额外训练且开销小。
Comments Accepted by ACM Multimedia 2026
What You Ask is What You Ground: Bridging Question Intent to Temporal Evidence for Grounded VideoQA
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: https://github.com/jinhseo/GroundFormer. Project page: https://jinhseo.github.io/groundformer/groundformer.html
VideoGAIA: A Benchmark for General AI Assistants on Agentic Video Understanding
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。
A Versatile Foundation Model for AI-enabled Mammogram Interpretation
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
Can Language Models Understand mmWave Data? Benchmarking Large Language Models for mmWave Radar-Based Human Understanding
语言模型能否理解毫米波数据？基于毫米波雷达的人类理解任务对大语言模型进行基准测试
机构 * DGIST（大邱庆北科学技术院） ； KAIST（韩国科学技术院） ； InnoCORE LLM
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.AI
AI总结 本研究针对毫米波数据与大语言模型融合的研究空白，构建首个毫米波人类感知基准mmWave-QA，评估LLMs在该任务上的零样本推理潜力与视觉退化下的鲁棒性，为相关研究奠定基础。
Comments Accepted to CVPR 2026 Findings
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026
Improving Generalization Robustness of Multimodal RLVR
提升多模态RLVR的泛化鲁棒性
机构 * National University of Singapore（新加坡国立大学） ； DAMO Academy Alibaba Group（阿里巴巴达摩院） ； Hupan Lab（湖畔实验室） ； Zhejiang University（浙江大学） ； University of California Berkeley（加州大学伯克利分校） ； Rochester Institute of Technology（罗切斯特理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Renmin University of China（中国人民大学） ； 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.AI
AI总结 针对多模态RLVR泛化鲁棒性不足的问题，提出含动态三元奖励与一致性正则化器的PIRL方法，压力测试与动态评估中其性能下降幅度均小于GRPO。
Comments 32 pages, 5 figures
BUZZY: Contrastive Scoring to Mitigate Text-Induced Bias in Multimodal Multiple-Choice QA
当选择成为先验：用于科学图表多选问答的对比解码
机构 * Korea University（高丽大学） ； Konkuk University（建国大学） ； Myongji University（明知大学） ； AIGEN Sciences
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.AI
AI总结 本文提出SCICON方法，通过对比文本和图像信息，减少选择偏差，提升科学图表多选问答的准确性。
Adjustable Text-Guided Backdoor Attacks with Natural-Word Triggers on Multimodal Pretrained Models
隐蔽且可调节的文本引导后门攻击多模态预训练模型
机构 * National Anti-Counterfeit Engineering Research Center, Huazhong University of Science and Technology（华中科技大学国家防伪工程技术研究中心） ； School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院） ； Sydney AI Centre, The University of Sydney（悉尼大学悉尼人工智能中心）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.LG
AI总结 本文提出一种基于文本的后门攻击方法，利用常见文本词汇作为触发器，提升攻击隐蔽性和实用性，并通过视觉对抗扰动调节模型对文本触发器的学习，实现可控的攻击效果。
LakeQuest: A Three-Domain Benchmark for Grounded Question Answering across Data Lakes
LakeQuest：用于跨数据湖的有基础问答的三领域基准测试
机构 * University of Waterloo（滑铁卢大学）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 介绍LakeQuest基准测试，用于评估跨数据湖的有基础问答。它跨越三个领域，含9846个QA对及证据指针，能暴露系统故障模式。通过基线评估发现高质量检索不能保证正确推理，凸显未来智能QA系统需强大发现和跨文件组合机制。
Comments 24 pages, 4 figures, 18 tables. Accepted at the Conference on Language Modeling (COLM) 2026
CapProbe: Evaluating Detailed Image Captions via Full-Scene Dense Question Answering
CapProbe：通过全场景密集问答评估详细图像描述
机构 * Huawei Technologies（华为技术有限公司）
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV
AI总结 CapProbe是用于评估VLMs生成的详细图像描述的全场景密集问答基准，通过区域对齐的事实核查，揭示了13个VLMs的覆盖差距、能力-效率权衡及遗漏的失败模式，相关资源将很快发布。
Omni2LoRA: Coherence-Preserving Parametric Memory for Efficient Omni Language Models
Omni2LoRA：用于高效全模态语言模型的保持一致性的参数化存储器
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.AI
AI总结 Omni2LoRA是一种保持一致性的参数化存储器压缩框架，通过优化秩分配策略提升全模态语言模型效率，在视听问答任务中优于多种基线，大幅缩短推理时间。
Towards Researcher Agents for Knowledge-Graph Question Answering
面向知识图谱问答的研究者智能体
机构 * Liber AI Research（Liber AI研究院）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 本研究提出研究者智能体式文本转SPARQL系统，在DBpedia上迭代优化后，其在2025年DBpedia验证集上总体准确率达0.22，发现瓶颈在谓词选择，建议基准采用多指标评分。
Comments Second International TEXT2SPARQL Challenge, co-located with Text2KG at ESWC 2026
Med-CRAFT: An Information System for Explainable and Configurable Construction of Multimodal Medical QA Datasets
Med-CRAFT：通过知识图谱遍历自动构建可解释的多跳视频工作负载
机构 * Beijing Institute of Technology（北京理工大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究所）
专题命中 视觉问答 ：MLLM(abstract_cn)；分类 cs.AI
AI总结 Med-CRAFT通过知识图谱遍历自动构建可解释的多跳视频工作负载，生成具有细粒度时间选择性和多跳逻辑复杂性的医疗视频推理基准。
Comments 23 pages, 4 figures, 10 tables
Evaluating Investment Logic in Large Language Models: A Real-World Benchmark Towards Personalzied Financial Agents
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。
SciQNet: Two-Stage Multimodal Adaptation for Scientific Image Quality Assessment
SciQNet：面向科学图像质量评估的两阶段多模态适配框架
机构 * Universiti Malaya（马来亚大学） ； Universiti Tunku Abdul Rahman（拉曼大学） ； National University of Singapore（新加坡国立大学）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 本研究提出SciQNet两阶段多模态适配框架，在ICME 2026科学图像质量评估挑战赛评分赛道获第2，模型在SIQA-S、SIQA-U等指标表现优异，证实预训练数据相关性的重要性。
CodeShrink: Adaptive Visual Compression for Efficient Multimodal Code Understanding
CodeShrink：面向高效多模态代码理解的自适应视觉压缩
专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 CodeShrink是含无空白渲染、自适应压缩配置、主导令牌选择的自适应视觉压缩框架，可减少代码理解的视觉令牌用量，在三类代码任务上优于基线。
Regularizing modality contribution drift in multimodal continual learning
多模态持续学习中模态贡献漂移的正则化
机构 * School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机与人工智能学院）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.LG
AI总结 针对多模态持续学习中的模态贡献漂移问题，提出含基于重放和无重放版本的CMCDR方法，经实验验证其通用性与有效性。
VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents
VLD-RAG：用于长的、视觉丰富的多页文档的智能视觉语言检索增强生成
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 研究针对视觉丰富的长文档问答的多模态检索增强生成，提出VLD-RAG框架，构建多模态索引并采用混合检索策略，经智能体工作流程协调，在相关基准上提升了证据页面检索及问答表现，凸显协调验证与混合检索的重要性。
Neuro-Symbolic Meta-Policies for Temporal Knowledge-Graph Memory under Partial Observability
部分可观测性下用于时态知识图谱记忆的神经符号元策略
机构 * HumemAI（胡梅人工智能公司） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； ELLIS Institute Finland & Abo Akademi University（芬兰埃利斯研究所和图尔库大学）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 研究部分可观测性下的强化学习，提出神经符号元策略，结合知识图谱编码与值头，通过RDF表示等实现语义网基础，在特定设置下限定符感知的StarE - GNN配置性能最佳且有可追溯性。
Does Faithfulness-Guided Alignment Hurt Accuracy? Unlocking Accurate and Faithful Post-Retrieval Reasoning
CRAFT: 通过强化学习进行多跳问答的校准推理与答案忠实轨迹
专题命中 视觉问答 ：grounding(abstract)；分类 cs.LG
AI总结 CRAFT通过强化学习框架提升多跳问答的推理准确性和答案忠实度，结合确定性奖励和判官奖励，增强推理轨迹的可审计性与语义一致性。
Pathologist Attention-Aligned Report Generation for Prostate Histopathology
用于前列腺组织病理学的病理学家注意力对齐报告生成
机构 * Department of Computer Science, Stony Brook University（纽约州立大学石溪分校计算机科学系） ； Department of Biomedical Informatics, Stony Brook University（纽约州立大学石溪分校生物医学信息学系） ； Université Paris-Saclay, CentraleSupélec, Gustave Roussy, INSERM, IHU PRISM, Cancer Data Science Unit（巴黎萨克雷大学、中央理工高等电力学院、古斯塔夫·鲁西研究所、法国国家健康与医学研究院、PRISM综合大学医院、癌症数据科学单元） ； Université Paris-Saclay, CentraleSupélec, MICS Laboratory（巴黎萨克雷大学、中央理工高等电力学院、MICS实验室） ； Department of Pathology and Laboratory Medicine, Northwell Health Laboratories（诺斯韦尔健康实验室病理与检验医学部） ； Department of Pathology, University of Utah School of Medicine（犹他大学医学院病理系） ； Department of Psychology, Stony Brook University（纽约州立大学石溪分校心理学系）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 研究将人类注意力引入前列腺病理报告生成模型训练，收集多模态数据集，通过注意力对齐损失微调模型，在两个模型上评估，在报告生成和视觉问答任务中取得较好效果，模型注意力图与病理学家注意力更对齐。
Comments 11 pages, 4 figures, accepted for publication at the 29th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2026)
FinRAG-12B: A Production-Validated Recipe for Grounded Question Answering in Banking
FinRAG-12B：一家银行中基于事实的问题回答的生产验证配方
机构 * Kasisto ； Textualization ； NBME
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出了一种高效框架，通过数据生成管道和校准拒绝机制，提升银行领域LLM的准确性与合规性，实现7.1个百分点的查询解决率提升。
Comments 7 pages, ACL 2026 conference
Searching Videos as Trees: Self-Correcting Agents for Grounded Long Video QA
将视频搜索为树：用于有基础的长视频问答的自校正智能体
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Sony（索尼）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV
AI总结 研究有基础的长视频问答问题，提出VideoTreeSearch框架，通过构建自适应时间树及可学习的离散操作让智能体导航，经监督微调与强化学习训练，在多个基准测试中表现出色，证明自校正分层搜索是关键机制。
Beyond the Leaderboard: Design Lessons for Trustworthy Multimodal VQA
超越排行榜：可信多模态视觉问答的设计经验教训
专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV
AI总结 以MediaEval Medico 2025为案例，分析九个多模态问答系统，发现预训练主干的参数高效适应虽有挑战性能，但答案提升未转化为完整临床推理，结构化推理等方法更可靠，结果促使多方面改进，支持可信多模态医疗保健人工智能。
Comments Accepted for presentation at the 39th IEEE International Symposium on Computer-Based Medical Systems (IEEE CBMS 2026) as a regular paper
NeMo: Needle in a Montage for Video-Language Understanding
NeMo：视频语言理解中的蒙太奇之针
机构 * The Chinese University of Hong Kong（香港中文大学） ； Phoenix TV（凤凰电视台） ； Stanford University（斯坦福大学） ； University of Liverpool（利物浦大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV
AI总结 为评估视频大语言模型时间理解能力，提出蒙太奇之针（NeMo）任务，开发自动数据生成管道并构建NeMoBench基准，能生成高质量数据，评估了20个模型，展现其能力与局限。
CANDI: Contextual Alignment for Niche Domains Question Answering
CANDI：特定领域问答的上下文对齐
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 研究针对专业领域大语言模型评估问题，提出CANDI-QA数据集，含两类问答对。评估多种语言模型，给出MTSS-Net框架。揭示特定领域上下文对齐挑战及当前模型局限，为上下文感知语言模型研究提供关键基准。
TreeSoc: Tree-Structured Dynamic Reasoning and Tool Synergy for Soccer Video Understanding
TreeSoc：用于足球视频理解的树状结构动态推理与工具协同
机构 * University of Science, VNU-HCM（胡志明市越南国立大学科学大学）
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV
AI总结 针对当代视觉语言模型理解足球视频的挑战，提出TreeSoc框架，通过动态深度优先搜索机制分解查询，支持自适应工具路由，在多个数据集上取得优异成绩，证明其为视频理解的有效范式。
Comments Accepted to ICMV 2026
