DrawingVQA: A Real-World Benchmark for Multi-Depth Visual-Textual Reasoning on Construction Drawings
Louisiana State University（路易斯安那州立大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
DrawingVQA针对建筑图纸多深度视觉文本推理设计基准测试，利用图纸与问答对，提出双分类框架评估模型，揭示模型与专家表现差距，为领域特定多模态推理及AI与工程工作流程整合奠定基础。
2026-07-20 cs.AI cs.CV
VLSBench: Unveiling Visual Leakage in Multimodal Safety
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Fudan University（复旦大学）；Beihang University（北京航空航天大学）
该研究发现现有多模态安全基准存在视觉安全信息泄漏问题，构建了含2200个图文对的无泄漏基准VLSBench，验证了其对主流MLLMs的挑战性，并明确了文本与多模态对齐方法的适用场景。
2025-05-17 cs.AI cs.CL cs.CR
Autonomous Imagination: Closed-Loop Decomposition of Visual-to-Textual Conversion in Visual Reasoning for Multimodal Large Language Models
State Key Laboratory of CAD&CG（计算机辅助设计与图形学国家重点实验室）
针对多模态大模型视觉-文本转换存在感知瓶颈、难完成简单视觉任务的问题，提出自主想象方法，通过闭环迭代修改视觉输入生成中间状态来分解转换过程，无需重训即可让模型解决超出原有感知能力的任务。
2025-10-06 cs.CV
A Survey on MLLM-based Visually Rich Document Understanding: Methods, Challenges, and Emerging Trends
The University of Western Australia（西澳大学）；The University of Melbourne（墨尔本大学）；Weill Cornell Medicine（韦尔·柯尔医学中心）
本文综述了基于MLLM的视觉丰富文档理解最新进展，探讨了文本、视觉和布局特征的表示与整合技术，以及预训练、指令微调等训练方法，分析了数据稀缺、多页文档处理等挑战及新兴趋势。
2026-04-21 cs.AI cs.CV
Cross-Modal Projection in Multimodal LLMs Doesn't Really Project Visual Attributes to Textual Space
Georgia Institute of Technology（佐治亚理工学院）；Harvard University（哈佛大学）
研究发现多模态大语言模型微调时，领域视觉属性实际由LLM建模而非跨模态投影，重新诠释了投影的作用。
2024-07-21 cs.AI cs.CL cs.CV
START: Spatial and Textual Learning for Chart Understanding
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Amazon AGI（亚马逊人工智能实验室）；MIT（麻省理工学院）
START通过空间与文本学习提升图表理解能力，引入图表元素定位和图表到代码生成，增强多模态大语言模型对图表结构和数据细节的理解。
2025-12-08 cs.AI cs.CV
SEA: Supervised Embedding Alignment for Token-Level Visual-Textual Integration in MLLMs
University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）；Kuaishou Technology（快手科技）
针对多模态大语言模型现有图像级监督对齐效果不佳、小型模型性能受限的问题，提出令牌级监督嵌入对齐方法SEA，以极小开销提升跨模态理解能力，小型模型获益最显著。
2025-09-05 cs.CV
Unlocking the Forgery Detection Potential of Vanilla MLLMs: A Novel Training-Free Pipeline
Zhejiang University（浙江大学）；Zhejiang Sci-Tech University（浙江科技学院）
针对现有图像伪造检测方法泛化性差、可解释性不足，且基于MLLM的方法需大量训练资源的问题，提出免训练流水线Foresee，无需额外训练即可实现更优的篡改定位精度、更丰富的解释与更强的跨篡改类型泛化能力。
2025-11-18 cs.AI cs.CV
Virgo: A Preliminary Exploration on Reproducing o1-like MLLM
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Baichuan AI（百川智能）；BAAI（北京智源人工智能研究院）
本文通过少量文本长思维链数据微调多模态大语言模型，构建慢思考系统Virgo，发现文本推理数据比视觉推理数据更能激发慢思考能力，并证明该能力主要源于语言模型组件且可跨模态迁移。
2025-02-05 cs.AI cs.CV
Right Answer, Wrong Heat: Explanation-Aware Evaluation and Thermal-Grounded Feedback for MLLMs on Infrared Images
该研究针对红外图像多模态大语言模型仅以答案准确率评估的问题，提出感知感知评估框架与无需训练的热基础反馈机制，可提升解释热基础度，为可信红外场景理解模型的开发提供了方向。
2026-08-11 cs.CV
MLLMs Get It Right, Then Get It Wrong: Tracing and Correcting Late-Layer Textual Bias
National University of Defense Technology（国防科技大学）；Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Intelligent Game and Decision Lab（智能博弈与决策实验室）
发现多模态大语言模型在中间层形成正确视觉预测，但最终输出时被文本覆盖，通过检测预测方向变化（85%失败转向文本，89%成功转向视觉）提出无训练方法CALRD，在冲突基准上提升高达9.4%。
2026-06-17 cs.CV
SwimBird: Eliciting Switchable Reasoning Mode in Hybrid Autoregressive MLLMs
Huazhong University of Science and Technology（华中科技大学）；Accio Team, Alibaba Group（阿里集团Accio团队）
SwimBird通过动态切换三种推理模式，提升多模态大语言模型在视觉密集任务中的性能，同时保持文本推理能力。
2026-02-05 cs.CV
VTPerception-R1: Enhancing Multimodal Reasoning via Explicit Visual and Textual Perceptual Grounding
Fudan University（复旦大学）；Shanghai AI Laboratory（上海人工智能实验室）；The University of Hong Kong（香港大学）；Shenzhen University（深圳大学）；University of Science and Technology of China（中国科学技术大学）
针对 MLLM 推理缺乏感知证据支撑的问题，本文提出两阶段框架 VTPerception-R1，通过感知增强微调及含视觉、文本与一致性奖励的强化学习，提升多模态推理的准确性与鲁棒性。
2025-09-29 cs.AI cs.CV
From Text to Pixel: Advancing Long-Context Understanding in MLLMs
University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of Washington（华盛顿大学）
本文提出多模态大模型 SEEKER，通过将长文本序列压缩至视觉像素空间以优化紧凑编码，在固定 token 预算内高效处理长上下文，在六个多模态任务上以巨大优势超越现有模型。
2024-08-26 cs.CL cs.CV
Can Textual Reasoning Improve the Performance of MLLMs on Fine-grained Visual Classification?
Michigan State University（密歇根州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文研究了文本推理对细粒度视觉分类任务的影响，发现推理长度过长会降低分类准确率，提出MRN和ReFine-RFT方法提升性能。
2026-04-10 cs.CV
iVGR: Internalizing Visually Grounded Reasoning for MLLMs with Reinforcement Learning
Visual AI Lab, The University of Hong Kong（香港大学视觉人工智能实验室）；Independent Researcher（独立研究者）；University of Science and Technology of China（中国科学技术大学）
提出iVGR框架，利用强化学习和双流训练策略将视觉定位能力内化到文本推理中，避免显式视觉基础在推理时的干扰，提升细粒度感知性能。
2026-05-29 cs.CV
PostAlign: Multimodal Grounding as a Corrective Lens for MLLMs
University of Oxford（牛津大学）；Zhejiang University（浙江大学）；National University of Singapore（新加坡国立大学）
本文提出MMGrounded-PostAlign框架，通过多模态接地和负拒绝机制增强MLLMs视觉理解并抑制幻觉，在多个基准上取得显著改进。
2025-06-22 cs.CV
Unleashing Spatial Reasoning in Multimodal Large Language Models via Textual Representation Guided Reasoning
College of AI, Tsinghua University, Beijing, China（清华大学人工智能学院，北京，中国）；Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国）；The University of Tokyo, Tokyo, Japan（东京大学，东京，日本）
本文提出TRACE方法，通过生成文本表示来提升多模态大语言模型的空间推理能力，实验表明其在多个基准测试中表现优异。
2026-04-20 cs.CL cs.CV
Textual Steering Vectors Can Improve Visual Understanding in Multimodal Large Language Models
University of Southern California（南加州大学）
针对多模态大语言模型缺乏有效引导技术的问题，研究利用文本LLM主干提取的向量，通过SAEs、均值偏移等方法引导模型，显著提升了视觉任务准确率且泛化性强，为增强MLLMs能力提供了高效方案。
2025-05-20 cs.CL cs.CV cs.LG
Buried in Textual Debt: Context Pruning with Visual Evidence Preservation for MLLM Agents
Hong Kong University of Science and Technology（香港科技大学）
针对多模态大语言模型智能体长轨迹中文本主导上下文、抑制视觉证据的问题，提出基于KL引导的SPARE框架，结合OPSD与SFT实现高效剪枝，在多步视觉工具使用基准中达到最优准确率与剪枝比例的权衡。
2026-08-28 cs.AI cs.CL
MLLM-Enhanced Face Forgery Detection: A Vision-Language Fusion Solution
CASIA；UCAS；CMCC；CAIR, HKISI, CAS
本文提出VLF-FFD，通过构建带文本标注的EFF++数据集和双向视觉-语言融合网络VLF-Net，提升MLLM在人脸伪造检测中的跨数据集与数据集内性能。
2025-05-04 cs.CV
Aesthetic Image Captioning with Saliency Enhanced MLLMs
AI Lab, Terminus International, Terminus Group（特斯联集团特斯联国际人工智能实验室）
针对现有MLLM在美学描述生成中未聚焦美学内容的问题，提出ASE-MLLM框架，通过IASM提取美学显著性特征并经IAS-ViT融合，在主流基准上取得SOTA性能。
2025-09-09 cs.CV
BusterX: MLLM-Powered AI-Generated Video Forgery Detection and Explanation
University of Liverpool, UK（利物浦大学）；Nanyang Technological University, SG（南洋理工大学）；The Chinese University of Hong Kong, Shenzhen, Guangdong, China（香港中文大学（深圳））；Wuhan University（武汉大学）；Hangzhou Dianzi University（杭州电子科技大学）
本文提出BusterX，一种基于多模态大语言模型的视频伪造检测系统，通过改进数据集和评估基准，提升检测准确性和解释质量。
2026-06-15 cs.CV
From Easy to Hard: The MIR Benchmark for Progressive Interleaved Multi-Image Reasoning
Beijing University of Posts and Telecommunications（北京邮电大学）；Nanyang Technological University（南洋理工大学）
本文提出MIR基准，通过交错文本上下文和推理步骤，结合从易到难的课程学习策略，提升多模态大模型的多图像联合推理能力，实验验证其有效性。
2025-10-16 cs.AI cs.CV
CBX-Bench: A Human-Aligned MLLM Council for Benchmarking Concept Bottleneck Model Explanations
该研究开发了人类对齐的多模态大语言模型（MLLM）委员会，构建了CBX-Bench基准，实现了概念瓶颈模型（CBM）解释的可扩展定量评估，其在人类偏好排名上的恢复率达70%以上。
2026-08-25 cs.CV
VisionTrim: Unified Vision Token Compression for Training-Free MLLM Acceleration
State Key Lab of CAD & CG, Zhejiang University（浙江大学CAD&CG国家重点实验室）；NUAA（南京航空航天大学）；Shenzhen Loop Area Institute（深圳河套学院）
本文提出VisionTrim，通过整合DVTS和TGVC模块，有效减少视觉标记，提升多模态大语言模型在高分辨率和视频场景中的计算效率。
2026-03-28 cs.CV
Interpretable and Reliable Detection of AI-Generated Images via Grounded Reasoning in MLLMs
Shanghai Jiao Tong University（上海交通大学）；Ant Group（蚂蚁集团）
针对 AI 生成图像检测缺乏可解释性的问题，本文构建带边界框与伪影描述的数据集，并通过多阶段微调 MLLMs，实现准确检测、视觉定位与文本解释的协同提升。
2025-06-08 cs.AI cs.CL cs.CV
Vision-DeepResearch: Incentivizing DeepResearch Capability in Multimodal Large Language Models
本文提出Vision-DeepResearch，通过多轮、多实体和多尺度的视觉与文本搜索，提升多模态大语言模型在噪声环境下的深度研究能力，实现更高效的多模态深度研究。
2026-03-23 cs.AI cs.CV
Chain-of-Caption: Training-free improvement of multimodal large language model on referring expression comprehension
Queen Mary University of London（伦敦女王学院）
本文提出无需训练的Chain-of-Caption框架，通过结合多种上下文提升多模态大语言模型在指称表达理解任务中的性能。
2026-02-09 cs.CV
DEXTER: Diffusion-Guided EXplanations with TExtual Reasoning for Vision Models
University of Catania（卡塔尼亚大学）；University of Central Florida（中央佛罗里达大学）
本文提出无数据框架DEXTER，结合扩散模型与大语言模型，无需训练数据或真值标签即可为视觉分类器生成全局文本解释，在多数据集上的表现优于现有方法。
2025-11-16 cs.AI cs.CV
Explaining is Harder Than Predicting Alone: Evaluating Concept-based Explanations of MLLMs as ICL Visual Classifiers
本文通过五种形式化程度递增的条件，系统评估多模态大语言模型在少样本上下文学习中的基于概念的可解释性，发现解释比预测更难，且强制生成形式化解释会降低预测准确性。
2026-07-13 cs.AI cs.CL cs.LG
Ovis: Structural Embedding Alignment for Multimodal Large Language Model
AI Business, Alibaba Group（阿里巴巴集团AI业务部）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
本文提出 Ovis 架构，通过可学习视觉嵌入表和多次索引的概率组合，使视觉嵌入与文本嵌入结构化对齐，并在多基准上取得同规模领先表现。
2024-06-17 cs.AI cs.CL cs.CV
BusterX++: Towards Unified Cross-Modal AI-Generated Content Detection and Explanation with MLLM
University of Liverpool, UK（利物浦大学）
提出统一多模态大模型BusterX++，通过纯强化学习策略实现图像与视频伪造检测的跨模态能力迁移，性能超越现有方法。
2026-06-17 cs.CV
Rethinking the Text-Vision Reasoning Imbalance in MLLMs through the Lens of Training Recipes
UC Santa Barbara（加州大学圣芭芭拉分校）；MIT-IBM Watson AI Lab（麻省理工-IBM Watson人工智能实验室）；Adobe Research（Adobe研究院）
本文通过分析训练食谱，提出减少多模态大语言模型中文本与视觉推理不平衡的方法，旨在提升视觉推理能力。
2026-01-07 cs.AI
Multimodal Explanations: Justifying Decisions and Pointing to the Evidence
UC Berkeley（加州大学伯克利分校）；University of Amsterdam（阿姆斯特丹大学）；MPI for Informatics（马克斯·普朗克信息学研究所）；Facebook AI Research（脸书人工智能研究院）
在许多情况下，既有效又可解释的深度模型是可取的;以前的可解释模型是单峰的，提供基于图像的注意力权重可视化或基于文本的事后理由生成。我们提出了一个多模态的解释方法，并认为这两种模式提供互补的解释优势。我们收集了两个新的数据集来定义和评估这个任务，并提出了一个新的模型，可以提供联合文本的理由生成和注意力可视化。我们的数据集定义了活动识别任务（ACT-X）和视觉问答任务（VQA-X）的分类决策的视觉和文本理由。我们定量地表明，使用文本解释进行训练不仅可以产生更好的文本证明模型，而且可以更好地定位支持决策的证据。我们还定性地展示了视觉解释比文本解释更有洞察力的情况，反之亦然，支持我们的论点，即多模态解释模型提供了显着的好处比单峰方法。
2018-02-15 cs.AI cs.CL cs.CV
Multimodal Causal Reasoning Benchmark: Challenging Vision Large Language Models to Discern Causal Links Across Modalities
School of Computer Science, The University of Sydney（计算机科学学院，悉尼大学）
本文提出多模态因果推理基准MuCR，利用合成孪生图像和文本对挑战MLLMs，发现其跨模态推理弱于纯文本，并开发VcCoT策略通过突出视觉线索有效增强该能力。
2025-05-26 cs.AI cs.CV
Do MLLMs Really See It: Reinforcing Visual Attention in Multimodal LLMs
Shanghai Jiao Tong University（上海交通大学）；Northwestern Polytechnical University（西北工业大学）
SAYO通过强化学习框架引入区域级视觉注意力奖励，提升多模态大语言模型的视觉聚焦能力，从而在多种推理和感知任务中取得性能提升。
2026-10-27 cs.AI cs.CV
MLLM as Video Narrator: Mitigating Modality Imbalance in Video Moment Retrieval
Queen Mary University of London（伦敦玛丽女王大学）；Adobe Research（奥多比研究院）；Peking University（北京大学）
针对视频时刻检索中因训练标注不足导致的模态不平衡问题，提出利用MLLM作为视频叙述者生成时间对齐的文本描述，并通过跨模态特征合并和单模态叙述-查询匹配机制提升检索性能。
2024-06-25 cs.CV
Covert Visual Prompt Injection against Commercial Multimodal Large Language Models
Rapid-Rich Object Search Lab, School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院快速丰富目标搜索实验室）
本文研究了针对强大闭源多模态大语言模型的不可察觉视觉提示注入攻击，通过界文本叠加嵌入恶意提示并优化视觉扰动，提升攻击性能。
2026-08-12 cs.AI cs.CV
CAD-MLLM: Unifying Multimodality-Conditioned CAD Generation With MLLM
School of Information Science and Technology, ShanghaiTech University（信息科学与技术学院，上海科技大学）；Transcengram；DeepSeek AI；University of Hong Kong（香港大学）
本文提出CAD-MLLM，首个基于多模态输入（文本、图像、点云）生成参数化CAD模型的统一系统，通过大语言模型对齐特征，构建含45万实例的Omni-CAD数据集，并引入拓扑质量等新评估指标，实验证明其性能优于现有方法且鲁棒性强。
2025-08-04 cs.CV
Slot-MLLM: Object-Centric Visual Tokenization for Multimodal LLM
Department of Artificial Intelligence, Korea University（韩国大学人工智能系）；Kakao Corp（Kakao公司）；School of Computing, KAIST（韩国科学技术院计算机学院）
本文提出了一种面向对象的视觉标记化方法Slot-MLLM，通过基于Slot Attention的标记器，有效编码局部视觉细节并保持高层语义，从而提升多模态大语言模型在视觉内容理解和生成中的性能。
2026-05-19 cs.AI cs.CV
Vision-DeepResearch Benchmark: Rethinking Visual and Textual Search for Multimodal Large Language Models
本文提出Vision-DeepResearch基准，通过精心设计的问题评估多模态大语言模型的视觉与文本搜索能力，并引入多轮裁剪搜索流程提升实际检索性能。
2026-02-28 cs.AI cs.CL cs.CV
Zero-Shot Textual Explanations via Translating Decision-Critical Features
Chiba University（千叶大学）；National Institute of Informatics（国家信息研究所）
本文提出TEXTER方法，通过隔离决策关键特征生成更准确的文本解释，提升模型可解释性。
2026-05-16 cs.CV
Vision-Centric Activation and Coordination for Multimodal Large Language Models
MoE Key Lab of Artificial Intelligence, Shanghai Jiao Tong University（人工智能MoE实验室，上海交通大学）；Ant Group（蚂蚁集团）；Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo（宁波数字孪生研究所，东部技术研究所，宁波）
针对多模态大语言模型忽视视觉中心信息的问题，提出VaCo方法，通过视觉中心激活与多视觉基础模型协调优化表示，显著提升视觉理解性能。
2025-10-23 cs.CV
Global-Local Dual Perception for MLLMs in High-Resolution Text-Rich Image Translation
School of Computer Science and Technology, East China Normal University（东华大学计算机科学与技术学院）；Labs, Huawei Technologies Co., LTD（华为技术有限公司2012实验室）；School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院）
本文提出GLoTran框架，通过全局-局部双感知方法提升高分辨率文本密集图像翻译的准确性和完整性。
2026-08-17 cs.CV
Region-Level Context-Aware Multimodal Understanding
Faculty of Computing, Harbin Institute of Technology（计算机学院，哈尔滨工业大学）；Department of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术系，哈尔滨工业大学）；Harbin Institute of Technology Suzhou Research Institute（哈尔滨工业大学苏州研究院长）；Peng Cheng Laboratory, Shenzhen, China（鹏城实验室，深圳，中国）
本文定义RCMU任务，提出RCVIT方法、RCMU数据集、RC&P-Bench及无参考指标，并基于Qwen2-VL训练RC-Qwen2-VL，提升区域上下文感知多模态理解。
2025-08-29 cs.AI cs.CV
Null Space Constrained Contrastive Visual Forgetting for MLLM Unlearning
School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院）；Xi’an Jiaotong University（西安交通大学）
本文提出一种MLLM反学习方法，通过冻结LLM主干并微调视觉模块，在保留非目标视觉知识和全部文本知识的同时，有效遗忘目标视觉知识。
2026-05-07 cs.AI
HeadHunt-VAD: Hunting Robust Anomaly-Sensitive Heads in MLLM for Tuning-Free Video Anomaly Detection
HeadHunt-VAD通过直接在冻结的MLLM中寻找鲁棒的异常敏感头部，实现高效的无调优视频异常检测。
2025-12-23 cs.CV
MP-GUI: Modality Perception with MLLMs for GUI Understanding
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Ant Group（蚂蚁集团）
本文提出 MP-GUI，通过图形、文本与空间三类专门感知器、空间结构细化及融合门机制增强 MLLM 的 GUI 理解，并辅以自动数据采集流程，在有限数据下取得优异表现。
2025-03-18 cs.AI cs.CV cs.HC
GIFT: A Framework Towards Global Interpretable Faithful Textual Explanations of Vision Classifiers
Université Grenoble Alpes（法国格勒诺布尔大学）；Sorbonne Université（巴黎索邦大学）
GIFT提出一种框架，通过生成局部反事实并转化为文本解释，实现视觉分类器的全局可解释和忠实性。
2026-02-20 cs.CV
Attentive Explanations: Justifying Decisions and Pointing to the Evidence (Extended Abstract)
EECS, UC Berkeley（加州大学伯克利分校电气工程与计算机科学系）；University of Amsterdam（阿姆斯特丹大学）；MPI for Informatics（马克斯·普朗克信息学研究所）；Facebook AI Research（Facebook人工智能研究院）
深度模型是视觉决策问题的事实标准，因为它们在各种视觉任务上的表现令人印象深刻。另一方面，它们的不透明性导致了对可解释系统的兴趣激增。在这项工作中，我们强调模型解释的重要性，在各种形式，如视觉指向和文本的理由。缺乏具有调整注释的数据是生成多模态解释的瓶颈之一。因此，我们提出了两个带有注释的大规模数据集，可以从视觉和文本上证明各种活动（即ACT-X）和问答（即VQA-X）的分类决策的合理性。我们还介绍了一种多模态方法，用于同时生成视觉和文本解释。我们定量地表明，使用文本解释进行训练不仅会产生更好的文本合理性模型，而且还会产生更好地本地化支持其决策的证据的模型。
2017-11-17 cs.CV
ChartPoint: Guiding MLLMs with Grounding Reflection for Chart Reasoning
Tsinghua University（清华大学）；International Digital Economy Academy（国际数字经济学院）；Beihang University（北航）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
ChartPoint通过引入 grounding 反射机制，提升 MLLMs 在图表推理中的表现，开发了两个指令微调模型，在多个图表基准上取得显著提升。
2025-11-29 cs.AI
ChemVTS-Bench: Evaluating Visual-Textual-Symbolic Reasoning of Multimodal Large Language Models in Chemistry
Renmin University of China（中国人民大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；South China University of Technology（华南理工大学）；Gaotu Techedu Inc（高图科技公司）
ChemVTS-Bench通过多模态输入评估大语言模型在化学中的视觉-文本-符号推理能力，揭示了结构化学的挑战及多模态融合的局限性。
2026-09-22 cs.AI
VidGuard-R1: AI-Generated Video Detection and Explanation via Reasoning MLLMs and RL
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Microsoft Research（微软研究院）
VidGuard-R1通过推理MLLMs和强化学习，实现AI生成视频的高准确检测与可解释性分析。
2026-03-05 cs.CV cs.LG
