多模态大模型

MM-DeepResearch: A Simple and Effective Multimodal Agentic Search Baseline

MM-DeepResearch: 一种简单而有效的多模态代理搜索基线

Huanjin Yao, Qixiang Yin, Min Yang, Ziwang Zhao, Yibo Wang, Haotian Luo, Jingyi Zhang, Jiaxing Huang

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

AI总结 MM-DeepResearch通过Hyper-Search和DR-TTS方法，构建了多模态代理搜索基线，实现了高效多模态研究任务的处理。

Comments Technical report

ProtRLSearch: A Multi-Round Multimodal Protein Search Agent with Large Language Models Trained via Reinforcement Learning

ProtRLSearch: 一种基于大语言模型的多轮多模态蛋白质搜索代理，通过强化学习进行训练

Congying Liu, Taihao Li, Ming Huang, Xingyuan Wei, Peipei Liu, Yiqing Shen, Yanxu Mao, Tiehan Cui

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Hangzhou Institute for Advanced Study（杭州高等研究院） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究所） ； Institute of Information Engineering（信息工程研究所） ； Johns Hopkins University（约翰霍普金斯大学） ； Henan University（河南大学） 纠错

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

AI总结 ProtRLSearch通过强化学习训练，利用多模态输入提升蛋白质搜索的准确性和效率，解决传统方法在多模态整合和搜索过程约束上的不足。

Proof-of-Perception: Certified Tool-Using Multimodal Reasoning with Compositional Conformal Guarantees

证明-感知：具有组合性符合保证的认证工具使用多模态推理

Arya Fayyazi, Haleh Akrami

机构 * University of Southern California（南加州大学） ； Nuro 纠错

专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.CV

AI总结 Proof-of-Perception通过组合性符合保证实现多模态推理的可信工具使用，提升性能和可靠性，同时更高效地利用计算资源。

Journal ref CVPR 2026

CT-Flow: Orchestrating CT Interpretation Workflow with Model Context Protocol Servers

CT-Flow: 通过模型上下文协议服务器协调CT解释工作流

Yannian Gu, Xizhuo Zhang, Linjie Mu, Yongrui Yu, Zhongzhen Huang, Shaoting Zhang, Xiaofan Zhang

机构 * Qing Yuan Research Institute, Shanghai Jiao Tong University, Shanghai, China（清元研究院，上海交通大学，上海，中国） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院，上海，中国） ； Sensetime Research, Shanghai, China（senseTime研究院，上海，中国） 纠错

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

AI总结 CT-Flow通过模型上下文协议实现3D CT解释工作流的动态协调，提升诊断准确性和工具调用效率。

Comments submitting to ACL 2026

CodeV: Code with Images for Faithful Visual Reasoning via Tool-Aware Policy Optimization

CodeV: 通过工具感知策略优化实现基于图像的代码推理

Xinhai Hou, Shaoyuan Xu, Manan Biyani, Moyan Li, Jia Liu, Todd C. Hollon, Bryan Wang

机构 * University of Michigan（密歇根大学） ； The Ohio State University（俄亥俄州立大学） 纠错

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

AI总结 CodeV通过工具感知策略优化提升视觉推理的忠实度，实现更高准确率和更可靠的工具使用。

TMR-VLA:Vision-Language-Action Model for Magnetic Motion Control of Tri-leg Silicone-based Soft Robot

TMR-VLA：一种用于三腿硅基软机器人磁性运动控制的视觉-语言-动作模型

Ruijie Tang, Chi Kit Ng, Kaixuan Wu, Long Bai, Guankun Wang, Yiming Huang, Yupeng Wang, Hongliang Ren

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

AI总结 TMR-VLA通过结合视觉、语言和动作模块，实现三腿硅基软机器人的磁性运动控制与导航能力提升。

Comments ICRA 2025

Predictive Importance Sampling Based Coverage Verification for Multi-UAV Trajectory Planning

基于预测重要性采样的多无人机轨迹规划覆盖验证

Snehashish Ghosh, Sasthi C. Ghosh

专题命中 多模态Agent ：multimodal(abstract)

AI总结 本文提出基于预测重要性采样的多无人机轨迹规划覆盖验证方法，通过LSTM-MDN和防御性混合采样提升鲁棒性，实现更高效的覆盖管理。

Comments This article has been submitted to a conference for peer review

SIAgent: Spatial Interaction Agent via LLM-powered Eye-Hand Motion Intent Understanding in VR

SIAgent：通过LLM驱动的眼手运动意图理解实现VR中的空间交互代理

Zhimin Wang, Chenyu Gu, Feng Lu

专题命中 多模态Agent ：multimodal(abstract)

AI总结 SIAgent通过LLM驱动的意图识别与代理执行，实现VR中基于自然眼手运动的高容忍度交互框架。

Comments Virtual reality, spatial interaction, intent recognition, agent-based execution, large language models