多模态大模型

Smile on the Face, Sadness in the Eyes: Bridging the Emotion Gap with a Multimodal Dataset of Eye and Facial Behaviors

脸上微笑，眼中悲伤：通过眼和面部行为的多模态数据集弥合情感差距

Kejun Liu, Yuanyuan Liu, Lin Wei, Chang Tang, Yibing Zhan, Zijing Chen, Zhe Chen

机构 * School of Computer Science, China University of Geosciences (Wuhan)（中国地质大学（武汉）计算机科学学院） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； School of Computer Science, Wuhan University（武汉大学计算机科学学院） ； School of Computing, Engineering and Mathematical Sciences, La Trobe University（拉筹伯大学计算科学、工程与数学科学学院） 纠错

专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.AI

AI总结 本文通过构建包含眼行为和面部行为的多模态数据集EMER，提出EMERT模型以提升情感识别的鲁棒性。

Comments Accepted by TMM

MAVIS: A Benchmark for Multimodal Source Attribution in Long-form Visual Question Answering

MAVIS：多模态来源归因的长形式视觉问答基准

Seokwon Song, Minsu Park, Gunhee Kim

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: An AI-Driven Multimodal Framework for Detecting Social-Media-Influenced Stock Market Manipulation

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

Sandeep Neela

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

Differences That Matter: Auditing Models for Capability Gap Discovery and Rectification

关键差异：用于能力缺口发现与纠正的模型审计

Qihao Liu, Chengzhi Mao, Yaojie Liu, Alan Yuille, Wen-Sheng Chu

机构 * Google（谷歌） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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: A Benchmark for Visual Comparison Reasoning in Vision-Language Models

CompareBench: 一个用于评估视觉比较推理能力的视觉-语言模型基准

Jie Cai, Kangning Yang, Lan Fu, Jiaming Ding, Jinlong Li, Huiming Sun, Daitao Xing, Jinglin Shen, Zibo Meng

机构 * OPPO AI Center（OPPO人工智能中心） 纠错

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。

Optimizing Grasping in Legged Robots: A Deep Learning Approach to Loco-Manipulation

为四足机器人优化抓取：一种深度学习的移动-操作方法

Dilermando Almeida, Guilherme Lazzarini, Juliano Negri, Thiago H. Segreto, Ricardo V. Godoy, Marcelo Becker

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） 纠错

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: A Synthetic 3D Dataset With Realistic Trajectories

R3ST：一个具有真实轨迹的合成3D数据集

Simone Teglia, Claudia Melis Tonti, Francesco Pro, Leonardo Russo, Andrea Alfarano, Leonardo Pentassuglia, Irene Amerini

机构 * Sapienza University of Rome（萨皮恩扎罗马大学） ； INSAIT ； EURECOM 纠错

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

Do Multi-Agents Solve Better Than Single? Evaluating Agentic Frameworks for Diagram-Grounded Geometry Problem Solving and Reasoning

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

Mahbub E Sobhani, Md. Faiyaz Abdullah Sayeedi, Mohammad Nehad Alam, Proma Hossain Progga, Swakkhar Shatabda

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） 纠错

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: A Comprehensive Multi-Platform GUI Benchmark for Diverse Grounding Tasks

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

Beitong Zhou, Zhexiao Huang, Yuan Guo, Zhangxuan Gu, Tianyu Xia, Zichen Luo, Fei Tang, Dehan Kong, Yanyi Shang, Suling Ou, Zhenlin Guo, Changhua Meng, Shuheng Shen

机构 * Venus Team, AntGroup（蚂蚁集团 Venus 团队） 纠错

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: Web-Augmented Agentic Visual Reasoning for Geolocalization

GeoVista: 基于网络增强的代理视觉推理用于地理定位

Yikun Wang, Zuyan Liu, Ziyi Wang, Han Hu, Pengfei Liu, Yongming Rao

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） 纠错

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: Forecasting Decades of Surface Water Change

HydroChronos：预测数十年地表水变化

Daniele Rege Cambrin, Eleonora Poeta, Eliana Pastor, Isaac Corley, Tania Cerquitelli, Elena Baralis, Paolo Garza

机构 * Politecnico di Torino（托斯研究院） ； Wherobots（Wherobots公司） 纠错

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

The Perceptual Observatory Characterizing Robustness and Grounding in MLLMs

感知观测站：多模态大语言模型的鲁棒性与基础性表征

Tejas Anvekar, Fenil Bardoliya, Pavan K. Turaga, Chitta Baral, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） 纠错

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