多模态大模型

Multimodal Peer Review Simulation with Actionable To-Do Recommendations for Community-Aware Manuscript Revisions

多模态同行评审模拟：面向社区意识的论文修订可操作待办推荐系统

Mengze Hong, Di Jiang, Weiwei Zhao, Yawen Li, Yihang Wang, Xinyuan Luo, Yanjie Sun, Chen Jason Zhang

机构 * Hong Kong Polytechnic University（香港理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Independent Researcher（独立研究者） 纠错

专题命中 视频多模态 ：multimodal(title,abstract)；分类 cs.CL

AI总结 本研究提出一个多模态同行评审模拟系统，通过整合文本和视觉信息，利用检索增强生成技术提升评审质量，并生成可操作的待办列表，以提高论文修订的效率和准确性。

Comments Accepted by TheWebConf 2026 Demo Track

CAAT-EHR: Cross-Attentional Autoregressive Transformer for Multimodal Electronic Health Record Embeddings

CAAT-EHR: 多模态电子健康记录嵌入的交叉注意力自回归变压器

Mohammad Al Olaimat, Shaika Chowdhury, Serdar Bozdag

机构 * Department of Computer Science and Engineering, University of North Texas（计算机科学与工程系，北卡罗来纳大学达顿分校） ； BioDiscovery Institute, University of North Texas（生物发现研究所，北卡罗来纳大学达顿分校） ； Center for Computational Life Sciences, University of North Texas（计算生命科学中心，北卡罗来纳大学达顿分校） 纠错

专题命中 视频多模态 ：multimodal(title,abstract)

AI总结 CAAT-EHR通过多模态嵌入和自回归机制提升EHR分析的通用性和准确性。

Meteorological data and Sky Images meets Neural Models for Photovoltaic Power Forecasting

气象数据与天空图像融合神经模型用于光伏功率预测

Ines Montoya-Espinagosa, Antonio Agudo

专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV

AI总结 本研究提出融合天空图像、光伏历史数据和气象数据的神经模型，提升光伏功率预测的准确性与鲁棒性，支持更高效的电网运行和太阳能管理。

Comments CAI 2026

ActionCodec: What Makes for Good Action Tokenizers

ActionCodec：什么使好的动作分词器成为可能

Zibin Dong, Yicheng Liu, Shiduo Zhang, Baijun Ye, Yifu Yuan, Fei Ni, Jingjing Gong, Xipeng Qiu, Hang Zhao, Yinchuan Li, Jianye Hao

机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Tianjin University（天津大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 本文提出ActionCodec，通过信息论原则提升动作分词性能，实现无需机器人预训练的VLA模型新SOTA。

EventMemAgent: Hierarchical Event-Centric Memory for Online Video Understanding with Adaptive Tool Use

EventMemAgent: 基于分层事件中心记忆的在线视频理解与自适应工具使用

Siwei Wen, Zhangcheng Wang, Xingjian Zhang, Lei Huang, Wenjun Wu

机构 * Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, School of Artificial Intelligence, Beihang University（北京未来区块链与隐私计算先进创新中心，人工智能学院，北京航空航天大学） ； Hangzhou International Innovation Institute, Beihang University（杭州国际创新研究院，北京航空航天大学） ； Paradigm Inc.（4Paradigm公司） 纠错

专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV

AI总结 EventMemAgent通过分层事件中心记忆和自适应工具使用，解决在线视频理解中长程推理与细粒度细节的平衡问题。

Prompts to Summaries: Zero-Shot Language-Guided Video Summarization with Large Language and Video Models

提示到摘要：基于大语言和视频模型的零样本语言引导视频摘要

Mario Barbara, Alaa Maalouf

机构 * Department of Computer Science, the University of Haifa（哈ifa大学计算机科学系） 纠错

专题命中 视频多模态 ：multi-modal(abstract)；分类 cs.CV

AI总结 提出一种基于大语言和视频模型的零样本视频摘要方法，通过提示生成用户引导的摘要，无需训练数据，优于现有无监督和监督方法。

Constraining Streaming Flow Models for Adapting Learned Robot Trajectory Distributions

约束流式流模型以适应学习的机器人轨迹分布

Jieting Long, Dechuan Liu, Weidong Cai, Ian Manchester, Weiming Zhi

机构 * School of Computer Science, The University of Sydney, Australia（计算机科学学院，悉尼大学，澳大利亚） ； School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney, Australia（航空航天、机械与机电工程学院，悉尼大学，澳大利亚） ； Australian Center For Robotics, The University of Sydney, Australia（机器人研究中心，悉尼大学，澳大利亚） ； College of Connected Computing, Vanderbilt University, TN, USA（连接计算学院，范德比尔特大学，美国） 纠错

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 CASF通过约束感知流式流模型在实时中适应机器人轨迹，确保安全性和可行性，优于传统方法。

Comments 8 pages, 8 figure