多模态大模型

PhysicsMinions: Winning Gold Medals in the Latest Physics Olympiads with a Coevolutionary Multimodal Multi-Agent System

Fangchen Yu, Junchi Yao, Ziyi Wang, Haiyuan Wan, Youling Huang, Bo Zhang, Shuyue Hu, Dongzhan Zhou, Ning Ding, Ganqu Cui, Lei Bai, Wanli Ouyang, Peng Ye

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； CUHK-Shenzhen（香港中文大学（深圳）） ； CUHK（香港中文大学） ； UESTC（电子科技大学） ； Tsinghua University（清华大学） ； DUT（大连理工大学） 纠错

专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.AI

MedMMV: A Controllable Multimodal Multi-Agent Framework for Reliable and Verifiable Clinical Reasoning

Hongjun Liu, Yinghao Zhu, Yuhui Wang, Yitao Long, Zeyu Lai, Lequan Yu, Chen Zhao

机构 * New York University（纽约大学） ； NYU Shanghai（纽约大学上海分校） ； The University of Hong Kong（香港大学） ； Zhejiang University（浙江大学） 纠错

专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.AI

Comments 25 pages, 5 figures

From An LLM Swarm To A PDDL-Empowered HIVE: Planning Self-Executed Instructions In A Multi-Modal Jungle

Kaustubh Vyas, Damien Graux, Yijun Yang, Sébastien Montella, Chenxin Diao, Wendi Zhou, Pavlos Vougiouklis, Ruofei Lai, Yang Ren, Keshuang Li, Jeff Z. Pan

机构 * Huawei Technologies Ltd., UK（华为技术有限公司，英国） ； University of Edinburgh, UK（爱丁堡大学，英国） 纠错

专题命中 多模态Agent ：multi-modal(title,abstract)；分类 cs.AI

Comments Published as a conference paper at ICLR 2025

MineAnyBuild: Benchmarking Spatial Planning for Open-world AI Agents

Ziming Wei, Bingqian Lin, Zijian Jiao, Yunshuang Nie, Liang Ma, Yuecheng Liu, Yuzheng Zhuang, Xiaodan Liang

机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Shanghai Jiao Tong University（上海交通大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

专题命中 多模态Agent ：multimodal(abstract)；multi-modal(abstract)；MLLM(abstract)；分类 cs.AI

Comments Accepted by NeurIPS 2025 Datasets and Benchmarks Track

Evaluating point-light biological motion in multimodal large language models

Akila Kadambi, Marco Iacoboni, Lisa Aziz-Zadeh, Srini Narayanan

机构 * Psychiatry and Biobehavioral Sciences, UCLA（乌尔拉克大学精神病学与生物行为科学系） ； Brain and Creativity Institute, USC（美国大学脑与创造力研究所） ； Google DeepMind, Zurich（谷歌深度Mind瑞士分公司） 纠错

专题命中 多模态Agent ：multimodal(title)；分类 cs.CV、cs.AI

DynaMIC: Dynamic Multimodal In-Context Learning Enabled Embodied Robot Counterfactual Resistance Ability

Tianqiang Yan, Ziqiao Lin, Sicheng Wang, Tianwei Zhang, Zhenglong Sun

机构 * Faculty of Information Technology, Monash University（墨尔本大学信息技术学院） ； School of Science and Engineering, the Chinese University of Hong Kong-Shenzhen（香港中文大学（深圳）科学与工程学院） ； Shenzhen Institute of Artificial Intelligence and Robotics for Society, the Chinese University of Hong Kong-Shenzhen（深圳人工智能与机器人研究院） 纠错

专题命中 多模态Agent ：multimodal(title)

PixelCraft: A Multi-Agent System for High-Fidelity Visual Reasoning on Structured Images

Shuoshuo Zhang, Zijian Li, Yizhen Zhang, Jingjing Fu, Lei Song, Jiang Bian, Jun Zhang, Yujiu Yang, Rui Wang

机构 * Microsoft Research（微软研究院） ； Tsinghua University（清华大学） ； Hong Kong University of Science and Technology（香港理工大学） 纠错

专题命中 多模态Agent ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV

Generalist Scanner Meets Specialist Locator: A Synergistic Coarse-to-Fine Framework for Robust GUI Grounding

Zhecheng Li, Guoxian Song, Yiwei Wang, Zhen Xiong, Junsong Yuan, Yujun Cai

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； ByteDance（字节跳动） ； University of California, Merced（加州大学默塞德分校） ； University of Southern California（南加州大学） ； University at Buffalo（布法罗大学） ； The University of Queensland（昆士兰大学） 纠错

专题命中 多模态Agent ：cross-modal(abstract)；分类 cs.CV、cs.CL

Visualizing Thought: Conceptual Diagrams Enable Robust Planning in LMMs

Nasim Borazjanizadeh, Roei Herzig, Eduard Oks, Trevor Darrell, Rogerio Feris, Leonid Karlinsky

机构 * Xero Inc.（Xero公司） ； Berkeley AI Research, UC Berkeley（伯克利人工智能研究实验室，伯克利大学） ； MIT–IBM Watson AI Lab（麻省理工–IBM沃森人工智能实验室） 纠错

专题命中 多模态Agent ：multimodal(abstract)；分类 cs.AI

Agents for self-driving laboratories applied to quantum computing

Shuxiang Cao, Zijian Zhang, Mohammed Alghadeer, Simone D Fasciati, Michele Piscitelli, Mustafa Bakr, Peter Leek, Alán Aspuru-Guzik

机构 * 1 Clarendon Laboratory, Department of Physics, University of Oxford, Oxford, OX1 3PU, UK ； 2 Department of Computer Science, University of Toronto, Toronto, ON M5S 2E4, Canada ； 3 Vector Institute for Artificial Intelligence, Toronto, ON, M5G 1M1, Canada ； 4 Department of Chemistry, University of Toronto, Toronto, ON M5S 3H6, Canada ； 5 Department of Materials Science \& Engineering, University of Toronto, Toronto, ON M5S 3E4, Canada ； 6 Department of Chemical Engineering \& Applied Chemistry, University of Toronto, Toronto, ON M5S 3E5, Canada ； 7 Canadian Institute for Advanced Research (CIFAR), Toronto, ON M5G 1M1, Canada 纠错

专题命中 多模态Agent ：multimodal(abstract)；分类 cs.AI

VIVA+: Human-Centered Situational Decision-Making

Zhe Hu, Yixiao Ren, Guanzhong Liu, Jing Li, Yu Yin

机构 * Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系） ； Research Centre for Data Science & Artificial Intelligence（数据科学与人工智能研究中心） ； Department of Computer and Data Sciences, Case Western Reserve University（凯斯西储大学计算机与数据科学系） 纠错

专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CL

Comments EMNLP 2025 Findings

Unleashing Flow Policies with Distributional Critics

Deshu Chen, Yuchen Liu, Zhijian Zhou, Chao Qu, Yuan Qi

机构 * Fudan University（复旦大学） ； INFLY TECH (Shanghai) Co., Ltd（INFLY TECH（上海）有限公司） 纠错

专题命中 多模态Agent ：multimodal(abstract)

Towards Context-aware Mobile Privacy Notice: Implementation of A Deployable Contextual Privacy Policies Generator

Haochen Gong, Zhen Tao, Shidong Pan, Zhenchang Xing, Xiaoyu Sun

专题命中 多模态Agent ：multimodal(abstract)

Comments Accepted by ASE 2025, Tool Demonstration Track