AI 大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
MAVIS：多模态来源归因的长形式视觉问答基准
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV
AI总结 MAVIS基准旨在评估多模态来源归因系统，通过多模态文档检索和长形式答案生成，揭示多模态设置下信息量、 groundedness 和流畅性之间的权衡与改进方向。
Comments AAAI 2026; code is available at https://github.com/seokwon99/MAVIS
AIMM：一种基于人工智能的多模态框架，用于检测受社交媒体影响的股市操纵
专题命中 多模态评测 ：multimodal(title)；分类 cs.AI
AI总结 AIMM通过融合社交媒体和市场数据，提出了一种人工智能驱动的多模态框架，用于检测社交媒体影响的股市操纵，并展示了其在GME事件中的早期预警能力。
Comments Preprint
关键差异：用于能力缺口发现与纠正的模型审计
机构 * Google（谷歌） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 多模态评测 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 AuditDM通过主动发现和纠正多模态大语言模型的失败模式，提升模型性能和诊断能力。
Comments project page: https://auditdm.github.io/
CompareBench: 一个用于评估视觉比较推理能力的视觉-语言模型基准
机构 * OPPO AI Center（OPPO人工智能中心）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 CompareBench是一个用于评估视觉-语言模型中视觉比较推理能力的基准，揭示了当前模型在时间排序、空间关系和基本计数上的局限性。
为四足机器人优化抓取：一种深度学习的移动-操作方法
机构 * College of Mechanical Engineering, Federal University of Uberlândia（联邦大学伯南迪亚学院机械工程学院） ； Department of Mechanical Engineering, University of São Paulo（圣保罗大学机械工程系）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一种深度学习方法，通过模拟训练提升四足机器人抓取精度和适应性，实现自主导航与精准抓取。
Journal ref 2025 Latin American Robotics Symposium (LARS)
R3ST：一个具有真实轨迹的合成3D数据集
机构 * Sapienza University of Rome（萨皮恩扎罗马大学） ； INSAIT ； EURECOM
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 R3ST数据集通过生成真实轨迹和3D环境，提供准确的多模态标注，提升道路车辆轨迹预测研究
Journal ref Computer Analysis of Images and Patterns. CAIP 2025
多智能体表现更优吗？评估用于图示引导几何问题解决与推理的智能体框架
机构 * BRAC University（布拉克大学） ； United International University（国际联合大学） ； Center for Computational & Data Sciences（计算与数据科学中心） ； Independent University, Bangladesh（孟加拉国独立大学） ； Spectrum Software & Consulting Ltd（Spectrum软件与咨询有限公司）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 本文评估了多智能体框架在图示引导几何问题解决中的表现，发现其对开源模型有明显提升，但对闭源模型效果有限，且并非普遍最优。
Comments Accepted to the ARR October 2025 cycle
VenusBench-GD: 一个全面的多平台GUI基准测试用于多样化的接地任务
机构 * Venus Team, AntGroup（蚂蚁集团 Venus 团队）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 VenusBench-GD提出一个跨平台的GUI接地基准测试，通过分层任务分类和高质量数据构建，评估模型在基本和高级任务中的表现。
GeoVista: 基于网络增强的代理视觉推理用于地理定位
机构 * Fudan University（复旦大学） ； Tencent Hunyuan（腾讯文元） ； Tsinghua University（清华大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 GeoVista通过整合图像缩放和网络搜索工具，提升地理定位任务的代理模型性能，实现优于开源模型的性能。
HydroChronos：预测数十年地表水变化
机构 * Politecnico di Torino（托斯研究院） ； Wherobots（Wherobots公司）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.CV
AI总结 HydroChronos通过引入大规模多模态时空数据集和AquaClimaTempo UNet模型，显著提升了地表水动态预测的准确性与解释性。
Comments Accepted to SIGSPATIAL 2025
感知观测站：多模态大语言模型的鲁棒性与基础性表征
机构 * Arizona State University（亚利桑那州立大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 感知观测站通过系统性扰动和真实数据集，评估多模态大语言模型在视觉基础性和关系结构上的鲁棒性，揭示其在扰动下的表现，为模型分析提供系统基础。
Comments Accepted at WACV 2026
多模态患者数据控制的语音交互手术代理
机构 * Image Guided Precision Cancer Surgery Institute, College of Medicine, Korea University（影像引导精准癌症手术研究所，韩国大学医学院） ； Department of Radiology, Massachusetts General Hospital（放射科，麻省总医院） ； Department of Thoracic and Cardiovascular Surgery, Korea University Guro Hospital, College of Medicine, Korea University（胸外科和心血管外科，韩国大学Guro医院，韩国大学医学院） ； Department of Biomedical Sciences, College of Medicine, Korea University（生物医学科学系，韩国大学医学院）
专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.CL、cs.AI
AI总结 本文提出一种基于大型语言模型的语音交互手术代理，用于多模态患者数据的高效控制与处理，通过分层多代理框架提升手术流程中的数据操作效率与鲁棒性。
Comments 14 pages, 13 figures, 3 tables
V-Thinker: 图像交互式思考
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； WeChat Vision, Tencent Inc.（腾讯公司）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CV
AI总结 V-Thinker通过端到端强化学习实现图像交互式思考，提升多模态模型的视觉推理能力。
Comments Working in progress
超越文字：面向多模态大语言模型的自监督视觉学习
机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） ； AMD Silo AI
专题命中 多模态训练与对齐 ：multimodal(title,abstract)；MLLM(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 JARVIS通过自监督视觉学习提升多模态大语言模型的视觉推理能力，无需依赖语言监督。
HyperET: 在超几何空间中为多模态大语言模型实现高效训练
机构 * MoE Key Lab of Artificial Intelligence, AI Institute, School of Computer Science, SJTU（摩埃人工智能重点实验室、人工智能学院、计算机科学学院、上海交通大学）
专题命中 多模态训练与对齐 ：multi-modal(title,abstract)；MLLM(abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 HyperET通过在双曲空间中动态调整半径，实现多模态大语言模型的高效训练，提升跨模态对齐性能。
Comments Accepted by NeurIPS2025 (Oral)
ModalSurv: 探索多模态深度生存学习在前列腺和膀胱癌中的机会与局限
机构 * TIA Centre, Department of Computer Science, University of Warwick, UK（沃里克大学计算机科学系TIA中心，英国）
专题命中 多模态训练与对齐 ：multimodal(title,abstract)
AI总结 ModalSurv通过多模态数据整合提升生存预测，但在外部测试中临床特征表现更优，揭示了多模态对齐的挑战和泛化能力的限制。
Comments 4 pages, 1 figure, 2 tables
ARD-LoRA：动态秩分配用于具有异质适应需求的基础模型参数高效微调
机构 * Newton AI Lab（牛顿人工智能实验室） ； School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（电气工程学院，韩国科学技术院）
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.AI
AI总结 ARD-LoRA通过动态秩分配提升基础模型微调效率，实现参数高效且适应性更强的模型调整。
Journal ref IEEE Transactions on Artificial Intelligence, 2025
可及且以教学为导向的机器人可解释性：基于UDL和符号接口的框架
机构 * Grupo de Robótica , EIIIA Campus de Vegazana, Universidad de León（机器人组，EIIIA校区，莱昂大学） ； C.E.E. Ntra. Sra. Del Sagrado Corazón（圣心宗女会）
专题命中 多模态训练与对齐 ：multimodal(abstract)
AI总结 本文提出基于UDL和符号接口的框架，旨在通过多模态解释板提升人机交互中不同需求用户的可解释性与教学导向性。
Comments 6 pages, 6 figures
多模态分段光滑系统中Filippov解的收缩分析
专题命中 其他多模态 ：multi-modal(title,abstract)
AI总结 本文提出多模态分段光滑系统中Filippov解的收缩分析条件，并通过数值实验验证了理论结果。
Sketch-in-Latents: 在潜在空间中实现多模态统一推理
机构 * 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） ； Alibaba Cloud Computing（阿里巴巴云计算）
专题命中 其他多模态 ：multimodal(abstract)；multi-modal(abstract)；分类 cs.CV
AI总结 SkiLa通过在潜在空间中实现多模态统一推理，扩展MLLMs的自回归能力，生成连续视觉嵌入，提升视觉任务性能和多模态泛化能力。
Comments 14 pages, 11 figures
利用深度学习重建系外行星的大气参数
专题命中 其他多模态 ：multimodal(abstract)
AI总结 本文提出一种基于深度学习的多目标概率回归方法，用于高效提取系外行星的大气参数，克服计算限制并提升分析效率。
Comments 5 pages + references
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