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。
FESTA：用于多模态大语言模型信任评估的功能等效采样
机构 * Indian Institute of Science（印度科学研究院） ； University of Maryland College Park（马里兰大学学院公园分校）
专题命中 多模态评测 ：multimodal(title,abstract)；multi-modal(abstract)；分类 cs.CL、cs.AI
AI总结 FESTA通过功能等效采样技术提升多模态大语言模型的预测选择性性能，实现33.3%和29.6%的改进。
Comments Accepted in the Findings of EMNLP, 2025
Journal ref EMNLP 2025
UniFinEval: 向跨文本、图像和视频的金融多模态模型统一评估迈进
机构 * SUFE（上海财经大学） ； Tencent（腾讯） ； Gatech（佐治亚理工学院） ； HiThink Research（慧图研究）
专题命中 多模态评测 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.CL、cs.AI
AI总结 UniFinEval提出首个统一多模态基准，用于评估金融领域高信息密度下的多模态模型能力，通过五个真实金融场景和大规模数据集验证模型表现。
UrbanMoE: 一种用于多任务城市区域刻画的稀疏多模态专家混合框架
机构 * Jilin University（吉林大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Changchun Normal University（长春师范大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 多模态评测 ：multi-modal(title,abstract)；分类 cs.AI
AI总结 UrbanMoE提出了一种稀疏多模态专家混合框架，用于解决多任务城市区域刻画问题，通过多模态特征动态路由实现高效预测，提升了城市分析的性能和可重复性。
Comments 12 pages, 6 figures, 5tables, Proceedings of the ACM Web Conference 2026 (WWW '26), April 13--17, 2026, Dubai, United Arab Emirates
MM-OpenFGL: 一种多模态联邦图学习的综合基准
机构 * Beijing Institute of Technology, Beijing, China（北京理工大学） ； Sun Yat-sen University, Guangzhou, China（中山大学） ； Shandong University, Weihai, China（山东大学）
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 MM-OpenFGL是首个多模态联邦图学习的综合基准，通过19个数据集和57种方法系统评估MMFGL的必要性、有效性、鲁棒性和效率。
Comments Under Review
MemeChain: 一个多模态跨链数据集用于迷因币取证与风险分析
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 MemeChain是一个多模态跨链数据集，用于研究迷因币的取证和风险分析，包含34,988个迷因币，整合链上与链下数据以提高风险建模能力。
PhoStream：面向移动场景的多模态助手实时流基准测试
机构 * CUHK MMLab（CUHK 多模态实验室） ； Huawei Research（华为研究） ； City University of Hong Kong（城市大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 多模态评测 ：multimodal(abstract)；audio-visual(abstract)；分类 cs.CV、cs.CL
AI总结 PhoStream是首个面向移动场景的多模态助手实时流基准测试，通过统一屏幕内外场景评估视频、音频和时间推理能力，揭示了大语言模型在决定何时发言上的局限性。
Comments 18 pages
头感知视觉裁剪：通过注意力引导的子图像增强细粒度VQA
机构 * Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司） ； University of Science and Technology of China（中国科学技术大学）
专题命中 多模态评测 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 通过注意力引导的子图像增强细粒度VQA，提出无需训练的HAVC方法，利用优化的注意力头提升视觉定位精度。
Comments Accepted to 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)
AnoMod：一个用于微服务系统异常检测和根本原因分析的数据集
专题命中 多模态评测 ：multimodal(abstract)；cross-modal(abstract)
AI总结 AnoMod数据集通过多模态数据支持微服务系统中异常检测与根本原因分析的端到端研究。
Comments Accepted at the 23rd International Conference on Mining Software Repositories (MSR 2026). Dataset paper
MTDrive: 多轮交互式强化学习用于自动驾驶
机构 * Li Auto Inc.（利汽车公司） ； NVIDIA（英伟达）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.AI
AI总结 MTDrive通过多轮交互式强化学习框架，结合多模态大语言模型与强化学习，提升自动驾驶轨迹规划的性能与效率。
MM-THEBench: 多模态大语言模型是否能合理推理？
机构 * KIRC, Institute for Artificial Intelligence, Tsinghua University, China（KIRC人工智能研究院，清华大学，中国）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CL
AI总结 MM-THEBench旨在评估推理MLLMs在中间推理过程中的幻觉问题，通过细粒度分类和多层次评估框架，揭示思考对多模态任务中幻觉和推理能力的影响。
ChartAnchor: 图表接地与结构-语义保真
机构 * Baidu Research（百度研究） ； USTC
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 ChartAnchor提出一个综合图表接地基准测试，通过图表到代码生成和受控表格重建任务，评估模型在结构和数值层面的保真度，揭示MLLMs在数值精度和代码合成方面的局限性。
表下之物：对基于分布的视觉问答数据集的呼吁
机构 * Information Science（信息科学） ； University of Illinois（伊利诺伊大学） ； Urbana-Champaign（厄巴纳-香槟） ； Illinois, USA（伊利诺伊斯州，美国）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文呼吁建立专门针对科学图表的VQA基准，通过生成合成图表并要求模型基于底层数据回答问题，以解决现有数据集未能捕捉的图表与数据间关系的推理挑战。
Comments Accepted to ACM/IEEE Joint Conference on Digital Libraries JCDL 2025, 4 pages, 2 figures
PaperArena: 一个用于科学文献上工具增强代理推理的评估基准
机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） ； Artificial Intelligence Research Institute, iFLYTEK Co., Ltd（人工智能研究院，iFLYTEK有限公司）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 PaperArena提出一个评估基准，用于评估基于LLM的代理在跨多篇论文整合信息并使用外部工具进行推理的能力，实验显示现有代理在复杂任务上的表现有限。
Comments 19 pages, 13 figures
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