LEMON: Local Explanations via Modality-aware OptimizatioN
LEMON：通过模态感知优化实现局部解释
机构 * University of Bristol（布里斯托大学）
专题命中 图文多模态 ：multimodal(abstract)
AI总结 LEMON是一种高效的多模态局部解释框架，通过模态感知优化生成统一解释，减少计算成本并提升解释忠实性。
AI 大模型
多模态大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
1. 图文多模态 4657 篇
Knowledge Vector Weakening: Efficient Training-free Unlearning for Large Vision-Language Models
知识向量削弱：高效无训练卸载方法用于大视觉-语言模型
机构 * Sogang University（ソガン大学） ； New York University（纽约大学）
专题命中 图文多模态 ：multimodal(abstract)
AI总结 KVW提出了一种无需训练的高效卸载方法，通过削弱模型中被激活的知识向量，有效防止模型利用有害知识，提升计算效率。
Safe Learning for Contact-Rich Robot Tasks: A Survey from Classical Learning-Based Methods to Safe Foundation Models
接触丰富机器人任务的安全学习：从经典学习方法到安全基础模型的综述
机构 * Human-Robot Interfaces and Interaction Lab, Istituto Italiano di Tecnologia, Genova, Italy（人类-机器人接口与交互实验室，意大利技术研究院，热那亚，意大利） ； Ph.D. program of national interest in Robotics and Intelligent Machines (DRIM) and Università di Genova, Genoa, Italy（机器人与智能机器国家利益博士项目（DRIM）和热那亚大学，热那亚，意大利） ； Edwardson School of Industrial Engineering, Purdue University, West Lafayette, IN, USA（工业工程埃德华森学校，普渡大学，西拉法伊斯，美国）
专题命中 图文多模态 ：multimodal(abstract)
AI总结 本文综述了接触丰富机器人任务的安全学习方法，探讨了从经典学习方法到安全基础模型的发展，分析了安全探索与执行的关键技术及未来方向。
Comments version 2
FedSM: Robust Semantics-Guided Feature Mixup for Bias Reduction in Federated Learning with Long-Tail Data
FedSM: 用于在长尾数据联邦学习中减少偏见的语义引导特征混合
专题命中 图文多模态 ：image-text(abstract)
AI总结 FedSM通过语义引导的特征混合和轻量级分类器重训练，有效减少联邦学习中长尾数据的偏见问题。
Journal ref IEEE Internet of Things Journal, 2026
RLLaVA: An RL-central Framework for Language and Vision Assistants
RLLaVA: 一种面向语言和视觉助手的强化学习中心框架
机构 * SKLCCSE, Institute of Artificial Intelligence, Beihang University, Beijing, China（信息与电子技术学院，人工智能研究院，北京航空航天大学，北京，中国） ； Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, Beihang University（未来区块链与隐私计算先进创新中心，北京航空航天大学） ； Hangzhou International Innovation Institute, Beihang University, Hangzhou, China（杭州国际创新研究院，北京航空航天大学，杭州，中国）
专题命中 图文多模态 ：multi-modal(abstract)
AI总结 RLLaVA 提出了一种强化学习中心框架，通过解耦算法逻辑与模型架构，实现高效训练和多任务扩展，提升视觉-语言模型性能。
Comments The code is available at https://github.com/TinyLoopX/RLLaVA
Focus: A Streaming Concentration Architecture for Efficient Vision-Language Models
聚焦：一种高效的视觉-语言模型流式集中架构
专题命中 图文多模态 ：cross-modal(abstract)
AI总结 Focus提出了一种高效的视觉-语言模型流式集中架构，通过分层压缩和细粒度冗余消除，实现2.4倍速度提升和3.3倍能效提升。
Comments HPCA 2026
Limits and Gains of Test-Time Scaling in Vision-Language Reasoning
视觉语言推理中测试时扩展的极限与收益
专题命中 图文多模态 ：multimodal(abstract)
AI总结 研究探讨了测试时扩展在视觉语言推理中的效果，发现其在不同任务和模型上表现不一，需根据具体需求定制策略。
Comments Mohammadjavad Ahmadpour and Amirmadhi Meighani contributed equally to this work
Token Expand-Merge: Training-Free Token Compression for Vision-Language-Action Models
令牌扩展-合并：面向视觉-语言-动作模型的免训练 令牌压缩
机构 * College of Science and Engineering, Hamad Bin Khalifa University（1 科学与工程学院，哈马德·本·卡西姆大学） ； Mohamed bin Zayed University of Artificial Intelligence（2 摩萨·本·扎耶德人工智能大学） ； College of Computer Science and Technology, Zhejiang University（3 计算机科学与技术学院，浙江大学）
专题命中 图文多模态 ：multimodal(abstract)
AI总结 TEAM-VLA通过动态令牌扩展与合并机制，实现无需训练的视觉-语言-动作模型高效推理，提升速度并保持任务性能。
Comments 8 pages, 5 figures
GLaD: Geometric Latent Distillation for Vision-Language-Action Models
GLaD：面向视觉-语言-动作模型的几何潜在蒸馏
机构 * MBZUAI ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
专题命中 图文多模态 ：multimodal(abstract)
AI总结 GLaD通过引入几何意识的预训练机制，提升了视觉-语言-动作模型的空间推理和策略泛化能力，无需依赖深度传感器或3D标注。
RobustVLA: Robustness-Aware Reinforcement Post-Training for Vision-Language-Action Models
RobustVLA: 为视觉-语言-动作模型引入鲁棒性感知的强化学习后训练
机构 * Westlake University（西湖大学）
专题命中 图文多模态 ：multi-modal(abstract)
AI总结 RobustVLA通过引入鲁棒性感知的强化学习后训练方法，提升视觉-语言-动作模型在环境不确定性下的鲁棒性和可靠性。
ECVL-ROUTER: Scenario-Aware Routing for Vision-Language Models
机构 * Tsinghua University（清华大学） ； Goertek Inc（歌尔股份有限公司）
专题命中 图文多模态 ：multimodal(abstract)
Comments 23 pages, 13 figures, 7 tables
Unlabeled Data vs. Pre-trained Knowledge: Rethinking SSL in the Era of Large Models
机构 * School of Intelligence Science and Technology, Nanjing University, China（智能科学与技术学院，南京大学） ； School of Artificial Intelligence, Nanjing University, China（人工智能学院，南京大学） ； National Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学） ； School of Computer Science and Engineering, Southeast University, Nanjing, China（计算机科学与工程学院，东南大学）
专题命中 图文多模态 ：multi-modal(abstract)
KCM: KAN-Based Collaboration Models Enhance Pretrained Large Models
机构 * Zhejiang University（浙江大学）
专题命中 图文多模态 ：cross-modal(abstract)
FSAR-Cap: A Fine-Grained Two-Stage Annotated Dataset for SAR Image Captioning
专题命中 图文多模态 ：image-text(abstract)
Comments 5pages,4figures
Theoretical Refinement of CLIP by Utilizing Linear Structure of Optimal Similarity
机构 * The University of Tokyo（东京大学） ； Sony Group Corporation（索尼集团公司） ； Sony AI（索尼人工智能）
专题命中 图文多模态 ：multi-modal(abstract)
Generalist vs Specialist Time Series Foundation Models: Investigating Potential Emergent Behaviors in Assessing Human Health Using PPG Signals
机构 * Nell Hodgson Woodruff School of Nursing（Nell Hodgson Woodruff护理学院） ； School of Computer Science（计算机科学学院） ； Department of Pediatrics（儿科系） ； Department of Computer Science（计算机科学系） ； Department of Epidemiology（流行病学系） ； Department of Anesthesiology（麻醉学系） ； Department of Surgery（外科系） ； Department of Medicine（医学系） ； School of Medicine（医学院）
专题命中 图文多模态 ：cross-modal(abstract)
ViTs: Teaching Machines to See Time Series Anomalies Like Human Experts
机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州先进研究所） ； Tsinghua University（清华大学）
专题命中 图文多模态 ：image-text(abstract)
Comments 13 pages
Few-Shot Adversarial Low-Rank Fine-Tuning of Vision-Language Models
专题命中 图文多模态 ：cross-modal(abstract)
Affordance-Based Disambiguation of Surgical Instructions for Collaborative Robot-Assisted Surgery
机构 * Nagoya University, Japan（名古屋大学）
专题命中 图文多模态 ：multimodal(abstract)
Comments To be presented at the 1st Workshop on Intelligent Cobodied Assistance and Robotic Empowerment (iCARE). 2025 Conference on Robot Learning (CoRL)
Handle Object Navigation as Weighted Traveling Repairman Problem
机构 * Centre for Advanced Robotics Technology Innovation (CARTIN), School of Electrical and Electronic Engineering, Nanyang Technological University（先进机器人技术创新中心（CARTIN）、电子与电气工程学院、南洋理工大学）
专题命中 图文多模态 ：multi-modal(abstract)
ViScratch: Using Large Language Models and Gameplay Videos for Automated Feedback in Scratch
专题命中 图文多模态 ：multimodal(abstract)
Embodied Hazard Mitigation using Vision-Language Models for Autonomous Mobile Robots
机构 * Department of Mechanical and Aerospace Engineering, Tandon School of Engineering, New York University（机械与航空航天工程系，坦顿工程学院，纽约大学） ； GenAuto.ai by General Autonomy Inc.（General Autonomy Inc. 的 GenAuto.ai）
专题命中 图文多模态 ：multimodal(abstract)
Real Time FPGA Based Transformers & VLMs for Vision Tasks: SOTA Designs and Optimizations
专题命中 图文多模态 ：multimodal(abstract)
Challenges in Understanding Modality Conflict in Vision-Language Models
机构 * Manning College of Information \& Computer Sciences, University of Massachusetts Amherst, Amherst, U.S.
专题命中 图文多模态 ：multimodal(abstract)
VLH: Vision-Language-Haptics Foundation Model
机构 * Intelligent Space Robotics Laboratory（智能空间机器人实验室） ； Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所）
专题命中 图文多模态 ：multimodal(abstract)
KeyMPs: One-Shot Vision-Language Guided Motion Generation by Sequencing DMPs for Occlusion-Rich Tasks
机构 * Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology（信息科学系，科学技术研究生学校，科学技术研究所） ； Department of Electrical and Electronic Engineering, Faculty of Engineering Science, Kansai University（电气电子工程系，工学科学大学） ； Department of Electronics, Kobe City College of Technology（电子系，神户市立技术学院） ； OMRON SINIC X Corporation（OMRON SINIC X公司）
专题命中 图文多模态 ：multimodal(abstract)
Comments Published in IEEE Access, Jul 14 2025
Journal ref IEEE Access, vol. 13, pp. 125420-125441, 2025
Flow Matching Policy Gradients
机构 * UC Berkeley（伯克利大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）
专题命中 图文多模态 ：multimodal(abstract)
Comments See our blog post at https://flowreinforce.github.io
radio-llava: Advancing Vision-Language Models for Radio Astronomical Source Analysis
专题命中 图文多模态 ：multimodal(abstract)
Comments 19 pages, 6 figures
Invisible Injections: Exploiting Vision-Language Models Through Steganographic Prompt Embedding
专题命中 图文多模态 ：multimodal(abstract)
Comments 14 Pages
Efficient Deployment of Vision-Language Models on Mobile Devices: A Case Study on OnePlus 13R
机构 * École Polytechnique Fédérale de Lausanne（联邦理工学院洛桑分校）
专题命中 图文多模态 ：MLLM(abstract)
