多模态大模型

C3Po: Cross-View Cross-Modality Correspondence by Pointmap Prediction

C3Po：通过点图预测实现跨视角跨模态对应

Kuan Wei Huang, Brandon Li, Bharath Hariharan, Noah Snavely

专题命中 多模态评测 ：cross-modal(abstract)；分类 cs.CV

AI总结 C3Po通过点图预测实现跨视角和跨模态的对应关系，提升了几何推理的性能和准确性。

Comments NeurIPS 2025

Agentic AI Microservice Framework for Deepfake and Document Fraud Detection in KYC Pipelines

面向深度伪造和文档欺诈检测的代理AI微服务框架用于KYC流程

Chandra Sekhar Kubam

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

AI总结 本文提出一种代理AI微服务框架，用于提升KYC流程中深度伪造和文档欺诈检测的准确性与实时性，同时增强对抗性输入的抵御能力。

Comments Journal of Information Systems Engineering and Management, 2024

How Does India Cook Biryani?

印度是如何烹饪饭团的？

Shubham Goel, Farzana S, C V Rishi, Aditya Arun, C V Jawahar

机构 * IIIT Hyderabad 纠错

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

AI总结 本文提出首个大规模饭团制作视频数据集及多阶段框架，用于研究烹饪视频中细粒度步骤差异及文化关联性。

Histopathology-centered Computational Evolution of Spatial Omics: Integration, Mapping, and Foundation Models

基于组织病理学的计算进化空间组学：整合、映射与基础模型

Ninghui Hao, Xinxing Yang, Boshen Yan, Dong Li, Junzhou Huang, Xintao Wu, Emily S. Ruiz, Arlene Ruiz de Luzuriaga, Chen Zhao, Guihong Wan

专题命中 多模态评测 ：multimodal(abstract)

AI总结 本文综述了基于组织病理学的计算进化空间组学，从整合、映射和基础模型三个范式出发，探讨了H&E图像在不同阶段的作用及当前研究的挑战与方向。

Comments 30 pages, 5 figures

AgriLiRa4D: A Multi-Sensor UAV Dataset for Robust SLAM in Challenging Agricultural Fields

AgriLiRa4D：一种多传感器无人机数据集，用于在具有挑战性的农业田间实现鲁棒SLAM

Zhihao Zhan, Yuhang Ming, Shaobin Li, Jie Yuan

机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） ； TopXGun Robotics（TopXGun机器人公司） ； School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机科学学院） 纠错

专题命中 多模态评测 ：multi-modal(abstract)

AI总结 AgriLiRa4D提供多传感器数据集，用于在农业环境中实现鲁棒SLAM，支持多种SLAM研究和评估

A Copula-based variational autoencoder for uncertainty quantification in inverse problems: application to damage identification in an offshore wind turbine

基于Copula的变分自编码器用于逆问题中的不确定性量化：应用于海上风电涡轮机的损伤识别

Ana Fernandez-Navamuel, Martin Alberto Diaz Viera, Matteo Croci

专题命中 多模态评测 ：multimodal(abstract)

AI总结 本文提出基于Copula的变分自编码器，用于高维空间中逆问题的不确定性量化，应用于海上风电涡轮机的损伤识别。

Physics-Informed Tree Search for High-Dimensional Computational Design

物理指导的树搜索用于高维计算设计

Suvo Banik, Troy D. Loeffler, Henry Chan, Sukriti Manna, Orcun Yildiz, Tom Peterka, Subramanian Sankaranarayanan

机构 * Department of Mechanical and Industrial Engineering, University of Illinois, Chicago（机械与工业工程系，伊利诺伊大学芝加哥分校） ； Center for Nanoscale Materials, Argonne National Laboratory（纳米材料中心，阿贡国家实验室） ； Mathematics and Computer Science Division, Argonne National Laboratory（数学与计算机科学部，阿贡国家实验室） 纠错

专题命中 多模态评测 ：multimodal(abstract)

AI总结 本文提出了一种物理指导的树搜索方法，用于高维计算设计，结合决策树、代理引导采样和奖励塑造，实现高效优化并保持物理约束。

MEDVISTAGYM: A Scalable Training Environment for Thinking with Medical Images via Tool-Integrated Reinforcement Learning

MEDVISTAGYM：一种通过工具集成强化学习进行医学图像思考的可扩展训练环境

Meng Lu, Yuxing Lu, Yuchen Zhuang, Megan Mullins, Yang Xie, Guanghua Xiao, Charles Fleming, Wenqi Shi, Xuan Wang

机构 * Virginia Tech（弗吉尼亚理工大学） ； UT Southwestern Medical Center（德克萨斯大学西南医学中心） ； Georgia Institute of Technology（佐治亚理工学院） ； Cisco（思科公司） 纠错

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

AI总结 MedVistaGym通过工具集成强化学习提升医学图像分析的代理训练效果。

OS-Symphony: A Holistic Framework for Robust and Generalist Computer-Using Agent

OS-Symphony: 一个用于鲁棒且通用计算机使用代理的综合框架

Bowen Yang, Kaiming Jin, Zhenyu Wu, Zhaoyang Liu, Qiushi Sun, Zehao Li, JingJing Xie, Zhoumianze Liu, Fangzhi Xu, Kanzhi Cheng, Qingyun Li, Yian Wang, Yu Qiao, Zun Wang, Zichen Ding

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； The University of Hong Kong（香港大学） ； CUHK MMLab（香港中文大学MMLab） ； Xi’an Jiaotong University（西安交通大学） ； Nanjing University（南京大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 OS-Symphony通过反思记忆代理和多功能工具代理，提升计算机使用代理在长周期任务和新领域中的鲁棒性和泛化能力。

Comments 31 pages, 11 figures, 12 tables

BackdoorAgent: A Unified Framework for Backdoor Attacks on LLM-based Agents

BackdoorAgent: 一个统一框架用于针对基于LLM的代理的后门攻击

Yunhao Feng, Yige Li, Yutao Wu, Yingshui Tan, Yanming Guo, Yifan Ding, Kun Zhai, Xingjun Ma, Yu-Gang Jiang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Singapore Management University（新加坡管理大学） ； Alibaba Group（阿里巴巴集团） ； Deakin University（德肯大学） ； Hunan Institute of Advanced Technology（湖南高级技术研究所） 纠错

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

AI总结 BackdoorAgent提出一个统一框架，分析LLM代理中后门攻击的跨阶段传播和触发器持续性，揭示代理工作流的脆弱性。

Explicit World Models for Reliable Human-Robot Collaboration

显式世界模型以实现可靠的人机协作

Kenneth Kwok, Basura Fernando, Qianli Xu, Vigneshwaran Subbaraju, Dongkyu Choi, Boon Kiat Quek

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

AI总结 本文提出通过构建显式世界模型来实现可靠的显式人机协作，强调动态模糊的人机交互需求。

Comments Accepted to AAAI-26 Bridge Program B10: Making Embodied AI Reliable with Testing and Formal Verification

A3: Android Agent Arena for Mobile GUI Agents with Essential-State Procedural Evaluation

A3: 用于移动GUI代理的Android代理竞技场：基于本质状态的程序评估

Yuxiang Chai, Shunye Tang, Han Xiao, Weifeng Lin, Hanhao Li, Jiayu Zhang, Liang Liu, Pengxiang Zhao, Guangyi Liu, Guozhi Wang, Shuai Ren, Rongduo Han, Haining Zhang, Siyuan Huang, Hongsheng Li

机构 * Nankai University（南开大学） ； vivo AI Lab（vivo 人工智能实验室） ； SJTU（上海交通大学） 纠错

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

AI总结 A3提出了一种基于本质状态的程序评估系统，通过动态在线应用的100个任务基准和工具包，提升移动GUI代理的评估能力。

Lifelong Learning of Large Language Model based Agents: A Roadmap

基于大语言模型代理的终身学习：路线图

Junhao Zheng, Chengming Shi, Xidi Cai, Qiuke Li, Duzhen Zhang, Chenxing Li, Dong Yu, Qianli Ma

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

AI总结 本文提出了一种基于大语言模型代理的终身学习框架，通过三个模块整合多模态输入、知识存储与动态环境交互，以实现持续适应和长期性能提升。

Comments Accepted to IEEE TPAMI

SwarmFoam: An OpenFOAM Multi-Agent System Based on Multiple Types of Large Language Models

SwarmFoam: 基于多种大语言模型的开放FOAM多智能体系统

Chunwei Yang, Yankai Wang, Jianxiang Tang, Haojie Qu, Ziqiang Zou, YuLiu, Chunrui Deng, Zhifang Qiu, Ming Ding

专题命中 多模态Agent ：multi-modal(abstract)

AI总结 SwarmFoam通过整合多模态感知与智能校正技术，提升复杂CFD模拟的适应性与准确性。

Comments 26 pages, 15 figures

Calibrating Agent-Based Financial Markets Simulators with Pretrainable Automatic Posterior Transformation-Based Surrogates

基于可预训练的自动后验变换的代理基于金融市场模拟器校准

Boquan Jiang, Zhenhua Yang, Chenkai Wang, Muyao Zhong, Heping Fang, Peng Yang

专题命中 多模态Agent ：multi-modal(abstract)

AI总结 本文提出ANTR方法，通过可预训练的神经密度估计器和自适应信任区域策略，提升代理基于金融市场模拟器的校准精度和效率。

Comments 32 pages, 4 figures

DIVER: Dynamic Iterative Visual Evidence Reasoning for Multimodal Fake News Detection

DIVER: 动态迭代视觉证据推理用于多模态虚假新闻检测

Weilin Zhou, Zonghao Ying, Chunlei Meng, Jiahui Liu, Hengyang Zhou, Quanchen Zou, Deyue Zhang, Dongdong Yang, Xiangzheng Zhang

机构 * Xinjiang University（新疆大学） ； AI Security Lab（360人工智能安全实验室） ； Beihang University（北航） ； Fudan University（复旦大学） ； Central South University（中南大学） ； Nanjing University（南京大学） 纠错

专题命中 多模态训练与对齐 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI

AI总结 DIVER通过动态迭代视觉证据推理提升多模态虚假新闻检测性能，利用文本和视觉证据融合优化检测效果。

Comments 13 pages

OpenSocInt: A Multi-modal Training Environment for Human-Aware Social Navigation

OpenSocInt: 一种多模态训练环境用于人感知的社会导航

Victor Sanchez, Chris Reinke, Ahamed Mohamed, Xavier Alameda-Pineda

机构 * Inria at Univ. Grenoble Alpes, LJK, CNRS（Inria与格勒诺布尔阿尔卑斯大学、LJK、CNRS） 纠错

专题命中 多模态训练与对齐 ：multi-modal(title,abstract)；分类 cs.AI

AI总结 OpenSocInt是一个开源多模态训练环境，用于研究人感知的社会导航，支持不同感知特征的编码与融合以及多种代理的训练。

Rep3Net: An Approach Exploiting Multimodal Representation for Molecular Bioactivity Prediction

Rep3Net：一种利用多模态表示进行分子生物活性预测的方法

Sabrina Islam, Md. Atiqur Rahman, Md. Bakhtiar Hasan, Md. Hasanul Kabir

机构 * Computer Science and Engineering, Islamic University of Technology, Bangladesh（计算机科学与工程，伊斯兰技术大学，孟加拉国） 纠错

专题命中 多模态训练与对齐 ：multimodal(title,abstract)；分类 cs.CL

AI总结 Rep3Net通过融合分子描述符、图特征和SMILES嵌入，提升了PARP1生物活性预测的准确性，并在药物发现中展示了高效能的多模态方法。

Explainable Multimodal Aspect-Based Sentiment Analysis with Dependency-guided Large Language Model

可解释的多模态基于方面的情感分析与依赖引导的大语言模型

Zhongzheng Wang, Yuanhe Tian, Hongzhi Wang, Yan Song

机构 * Harbin Institute of Technology（哈尔滨工程大学） ； Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 多模态训练与对齐 ：multimodal(title,abstract)；分类 cs.CL

AI总结 本文提出了一种基于依赖引导的大语言模型的多模态情感分析方法，通过生成可解释的自然语言解释来提升情感分类的准确性。

Comments 9 pages, 3 figures

Browse and Concentrate: Comprehending Multimodal Content via prior-LLM Context Fusion

浏览与聚焦：通过先验LLM上下文融合理解多模态内容

Ziyue Wang, Chi Chen, Yiqi Zhu, Fuwen Luo, Peng Li, Ming Yan, Ji Zhang, Fei Huang, Maosong Sun, Yang Liu

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University, Beijing, China（计算机科学与技术系，人工智能研究院，清华大学，北京，中国） ； Institute for AI Industry Research (AIR), Tsinghua University, Beijing, China（人工智能产业研究院（AIR），清华大学，北京，中国） ； Institute of Intelligent Computing, Alibaba Group（智能计算研究院，阿里巴巴集团） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国） ； Jiangsu Collaborative Innovation Center for Language Competence, Jiangsu, China（江苏省语言能力协同创新中心，江苏，中国） 纠错

专题命中 多模态训练与对齐 ：multimodal(title,abstract)；分类 cs.CL

AI总结 本文提出浏览与聚焦两阶段范式，通过融合先验LLM上下文提升多模态内容理解，显著提升多图像场景的性能。

Comments 17 pages, 5 figures

Journal ref ACL 2024

Causal and Federated Multimodal Learning for Cardiovascular Risk Prediction under Heterogeneous Populations

因果与联邦多模态学习用于异质人群中的心血管风险预测

Rohit Kaushik, Eva Kaushik

机构 * Hanson Professional Services（Hanson专业服务） ； University of Tennessee, Knoxville（田纳西大学 Knoxville分校） ； Oak Ridge National Laboratory（橡树岭国家实验室） 纠错

专题命中 多模态训练与对齐 ：multimodal(title,abstract)

AI总结 本文提出一种融合因果学习与联邦学习的多模态框架，用于在异质人群中预测心血管风险，通过整合多种生物医学数据并确保隐私和可解释性，提升预测的鲁棒性和公平性。

Comments 9 pages, 5 figures

Learning Generalizable and Efficient Image Watermarking via Hierarchical Two-Stage Optimization

通过分层双阶段优化学习通用且高效的图像水印技术

Ke Liu, Xuanhan Wang, Qilong Zhang, Lianli Gao, Jingkuan Song

机构 * Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳先进研究院，电子科学与技术大学） ； School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） 纠错

专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CV、cs.MM

AI总结 本文提出分层双阶段优化框架，通过学习通用且高效的图像水印技术，提升水印提取准确率并保持低延迟。

OSCAR: Optical-aware Semantic Control for Aleatoric Refinement in Sar-to-Optical Translation

OSCAR：面向随机细化的语义控制光学感知SAR到光学翻译

Hyunseo Lee, Sang Min Kim, Ho Kyung Shin, Taeheon Kim, Woo-Jeoung Nam

机构 * Kyungpook National University（庆北国立大学） ； Korea Aerospace Research Institute（韩国航空航天研究机构） 纠错

专题命中 多模态训练与对齐 ：cross-modal(abstract)；分类 cs.CV、cs.AI

AI总结 OSCAR通过跨模态语义对齐、语义引导生成指导和不确定性感知目标，提升SAR到光学图像翻译的语义一致性和感知质量。

Comments main 15 pages, supplementary 5 pages

PlaM: Training-Free Plateau-Guided Model Merging for Better Visual Grounding in MLLMs

PlaM: 无需训练的高原引导模型融合以提升多模态大语言模型的视觉语义

Zijing Wang, Yongkang Liu, Mingyang Wang, Ercong Nie, Deyuan Chen, Zhengjie Zhao, Shi Feng, Daling Wang, Xiaocui Yang, Yifei Zhang, Hinrich Schütze

机构 * Northeastern University, China（东北大学） ； CIS, LMU Munich, Germany（慕尼黑大学计算机学院） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心） 纠错

专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CL

AI总结 PlaM通过无需训练的高原引导模型融合方法，提升多模态大语言模型的视觉语义表现。

Comments under review

Hybrid LSTM-UKF Framework: Ankle Angle and Ground Reaction Force Estimation

混合LSTM-UKF框架：踝角和地面反作用力估计

Mundla Narasimhappa, Praveen Kumar

机构 * Department of Computer Science Engineering SRMIST University（计算机科学工程系 SRMIST 大学） 纠错

专题命中 多模态训练与对齐 ：multimodal(abstract)

AI总结 本文提出混合LSTM-UKF框架，用于在不同行走速度下准确估计踝角和地面反作用力，通过多模态传感器融合提升生物力学分析的可靠性。

Comments 8

Large Multimodal Model-Aided Scheduling for 6G Autonomous Communications

面向6G自主通信的大型多模态模型辅助调度

Sunwoo Kim, Byonghyo Shim

专题命中 其他多模态 ：multimodal(title,abstract)

AI总结 本文提出基于大型多模态模型的调度技术，通过预测信道参数提升6G自主通信的吞吐量性能。

Comments 16 pages

Journal ref IEEE Transactions on Cognitive Communications and Networking, vol. 12, pp. 3732-3747, 2026

LLM Performance Predictors: Learning When to Escalate in Hybrid Human-AI Moderation Systems

LLM性能预测器：在混合人机审核系统中学习何时升级

Or Bachar, Or Levi, Sardhendu Mishra, Adi Levi, Manpreet Singh Minhas, Justin Miller, Omer Ben-Porat, Eilon Sheetrit, Jonathan Morra

机构 * Reichman University（雷赫曼大学） 纠错

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

AI总结 本文提出了一种基于LLM性能预测器的框架，用于在混合人机审核系统中学习何时升级，通过提升准确性与成本权衡实现更高效的内容审核。

Comments Accepted as a full paper at the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)

Thinking with Deltas: Incentivizing Reinforcement Learning via Differential Visual Reasoning Policy

通过delta思考：通过微分视觉推理策略激励强化学习

Shujian Gao, Yuan Wang, Jiangtao Yan, Zuxuan Wu, Yu-Gang Jiang

机构 * Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Wuhan University（武汉大学） 纠错

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

AI总结 通过微分视觉推理策略增强强化学习的视觉理解能力，提升多模态任务性能。

Comments 24 pages, 10 tables, 4 figures

Fifteen Years of Learning Analytics Research: Topics, Trends, and Challenges

学习分析研究十五年：主题、趋势与挑战

Valdemar Švábenský, Conrad Borchers, Elvin Fortuna, Elizabeth B. Cloude, Dragan Gašević

专题命中 其他多模态 ：multimodal(abstract)

AI总结 本研究分析了学习分析领域15年来的发展趋势，揭示了六个持续存在的主题中心，并指出未来需解决参与度、资金依赖性和研究与实践结合的问题。

Comments Full research paper accepted for publication in the Learning Analytics and Knowledge (LAK) 2026 conference proceedings, see https://doi.org/10.1145/3785022.3785131

Revealing Phase Transition in Dense Matter with Gravitational Wave Spectroscopy of Binary Neutron Star Mergers

利用双中子星并合的引力波频谱学揭示致密物质的相变

Pedro Luis Espino, Aviral Prakash, David Radice, Domenico Logoteta

专题命中 其他多模态 ：multimodal(abstract)

AI总结 通过双中子星并合引力波频谱学探测高密度去束缚相变，利用引力波模式信噪比约束能量密度间隙。