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。
自主信息寻求：智能推荐系统路线图
机构 * National University of Singapore（新加坡国立大学） ； Polytechnic University of Bari（巴里理工大学） ； Renmin University of China（中国人民大学） ； 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)；分类 cs.CL
AI总结 综述基于大语言模型的智能体融入推荐系统带来的转变，介绍基于自主性水平的分类法及三种核心范式，分析各范式采用的架构和智能体对关键组件的增强，探讨评估方法及未解决问题，指出开放挑战。
G$^2$TAM：几何基础的轨迹任意模型
机构 * HKU（香港大学） ； Shanghai AI Lab（上海人工智能实验室） ； BUAA（北京航空航天大学） ； SJTU（上海交通大学） ； UCLA（加州大学洛杉矶分校） ； ZJU（浙江大学）
专题命中 多模态评测 ：cross-modal(abstract)；分类 cs.CV
AI总结 研究利用现代前馈3D重建模型的空间一致性，提出G$^2$TAM框架，用无序RGB图像或视频进行3D实例跟踪。核心是跨模态空间编码器，还构建数据集，实验表明该模型有多种优势，为交互式空间推理奠定基础。
Comments Accepted by ICML 2026. Project Page:https://zcmax.github.io/projects/G2TAM/
用于开源情报和网络调查的智能与生成式人工智能：分类法、评估、挑战及未来方向
机构 * School of Computer Science and Mathematics, Keele University（基尔大学计算机科学与数学学院） ； Cybersecurity Institute, University of Liverpool（利物浦大学网络安全研究所） ； Department of Applied Computing IICL, University of Wales Trinity Saint David（威尔士特里尼达大学应用计算系） ； Deakin Cyber Research and Innovation Hub, Deakin University（德金大学网络安全研究与创新中心） ； Department of Information Systems and Cyber Security, The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校信息系与网络安全系）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 研究指出公开数字信息增长使人工开源情报分析不足，大语言模型等成解决方案但评估框架滞后。通过综述74项研究，明确智能人工智能类别，找出幻觉验证差距，映射研究到情报生命周期并给出研究议程。
Comments 36 Pages
可解释机器学习利用运动校正QSM MRI和多波段多回波fMRI特征预测帕金森病严重程度
机构 * Lyda Hill Department of Bioinformatics（Lyda Hill 生物信息学系） ； Department of Biomedical Engineering（生物医学工程系） ； University of Texas Southwestern Medical Center, Dallas, Texas, USA（德克萨斯西南医学中心，德克萨斯州达拉斯）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 利用可解释机器学习，从QSM和多波段多回波静息态fMRI衍生的ReHo特征预测帕金森病运动严重程度。提取特征进行多模型实验，结果显示不同模型表现及特征贡献，表明结构和功能成像依临床预测目标作用不同。
Comments 16 pages from main manuscript and 17 pages from supplementary information
学习在杂乱收纳中进行刀片插入的3D可用空间
机构 * Amazon Robotics（亚马逊机器人公司）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.CV
AI总结 研究杂乱收纳中刀片插入的3D可用空间问题，利用VulcanVoxel方法，通过基于3D占用场的掩码自动编码器，从单峰数据恢复多模态预测，提升了性能。
用于地球系统基础模型的统一数据集
机构 * Politecnico di Milano, Department of Management, Economics and Industrial Engineering（米兰理工大学管理、经济与工业工程系） ； RFF-CMCC European Institute on Economics and the Environment（资源未来研究所-欧洲经济与环境CMCC研究所） ； CMCC Foundation - Euro-Mediterranean Center on Climate Change（CMCC基金会-欧洲地中海气候变化中心）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 研究针对地球系统基础模型训练数据缺乏统一资源的问题，构建WorldTensor数据集，整合多类数据到标准网格，为训练和评估模型提供资源，推动多模态地球系统基础模型发展。
Comments Under review
医学视觉语言模型 HuluMed 和 MedGemma 以及通用聊天机器人 Gemma 3、ChatGPT Plus 和 Claude Pro 在真实未见伤口图像上的评估
机构 * Department of Computer Science, New Jersey Institute of Technology（新泽西理工学院计算机科学系） ； Vascular and Endovascular Surgery, Robert Wood Johnson Hospital（罗伯特·伍德·约翰逊医院血管外科） ； Department of Data Science, New Jersey Institute of Technology（新泽西理工学院数据科学系）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本研究评估了六种视觉语言模型在慢性伤口分析任务上的表现，发现通用模型 ChatGPT 和 Claude 显著优于医学专用模型，表明广泛的多模态推理能力比领域知识更重要。
自信地扩展：校准LLM的置信度以实现自适应测试时扩展
机构 * Shanghai Jiao Tong University（上海交通大学） ； Southeast University（东南大学） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 提出C3RL算法，通过结合正确性、校准和数据集参考准确率奖励来校准LLM的置信度，并基于此引入CAS策略，根据置信度自适应分配推理计算资源，在提升校准性的同时降低推理成本。
从伪造到基础模型：身份证件攻击与检测的系统性综述
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 本文系统综述了身份证件伪造攻击（物理呈现、数字注入、生成式合成）及检测方法，揭示了基准与现实间的差距，并发现最强模型在零样本场景下APCER超25%。
ClawArena-Team: 语言模型智能体中子智能体编排与动态工作流的基准测试
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Santa Cruz（加州大学圣克鲁兹分校）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 提出ClawArena-Team基准，通过41个多轮多模态多目录场景，评估单个LLM作为管理者编排子智能体的能力，发现管理瓶颈在于权限授予而非感知，且成本与质量解耦。
Comments 24 pages, 10 figures, website: https://www.clawarena.cc/
DroneIQA-VLE：基于视觉-语言集成的多任务无人机图像质量评估
机构 * East China Normal University（华东师范大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 提出DroneIQA-VLE框架，通过集成SigLIP2视觉编码器与多任务回归头以及LoRA微调的Qwen3.5-9B多模态大模型，联合预测全局、目标和背景质量分数，在ICME 2026无人机图像质量评估挑战赛中获得第二名。
Comments The model achieves 2nd place in ICME 2026 Drone-IQA Grand Challenge on Target-aware Image Quality Assessment for Low-altitude UAV Images
PixelEyes: 解耦感知与推理以实现精准视觉证据查找
机构 * Wuhan University（武汉大学） ； UC Merced（加州大学默塞德分校） ； UTS（UTS大学） ； NUS（新加坡国立大学） ； NTU（南洋理工大学） ； CASIA（中国科学院自动化所）
专题命中 多模态评测 ：MLLM(abstract)；分类 cs.CV
AI总结 针对多轮视觉推理中目标定位失败导致轨迹冗余的问题，提出PixelEyes，通过解耦推理与感知（推理器决定查找目标，专用感知工具定位），引入掩码引导视觉搜索和语义区域广度优先搜索，构建PixelEyes-6K数据集和Pinpoint-Bench基准，显著提升定位准确性。
Comments 22pages, 10 figures
CryoACE: 面向冷冻电镜中精确自动模型构建的原子中心框架
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 提出CryoACE框架，通过原子中心重建范式和无需训练的引导机制，实现冷冻电镜密度图中均质与异质结构的精确原子模型构建，显著优于现有方法。
Journal ref ICML2026
超越单字符：评估多模态大语言模型在句子级甲骨文理解中的表现
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanjing University of Science and Technology（南京理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 提出S-OBI基准，通过字形替换与组合合成清晰标准的句子级甲骨文实例，设计语义匹配、语义槽提取和上下文推理任务，评估多模态大语言模型在句子级甲骨文理解中的表现，发现当前模型仍依赖字符级识别。
Comments 13 pages, 4 figures
PPT-Eval: 面向PowerPoint任务的计算机使用智能体基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； Google（谷歌） ； Snowflake
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 提出PPT-Eval基准，包含120个PowerPoint任务，并设计基于评分标准的评估框架，通过部分评分和自然语言反馈衡量智能体表现，发现现有最强模型仅达45%成功率。
Comments Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
参数高效混合Transformer（PEHT）用于通过动态城市拥堵整合进行网络流量预测
机构 * National Science Foundation（国家科学基金会） ； U.S. Department of Transportation（美国交通部） ； University Transportation Center (UTC)（大学交通中心） ； Transportation Cybersecurity Center for Advanced Research and Education (CYBER-CARE)（交通网络安全高级研究与教育中心） ； NVIDIA Academic Grant Program（NVIDIA学术资助计划）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 提出参数高效混合Transformer（PEHT），通过低秩适应和多模态融合整合城市移动性与拥堵信息，在减少参数的同时提升网络流量预测精度。
TraMP-LLaMA: 基于解耦指令微调的生成式可解释性用于面部表情质量评估
机构 * School of Computer Science University of Bristol（布里斯托大学计算机科学学院） ； Translational Health Sciences University of Bristol（布里斯托大学转化健康科学学院） ； School of Computing and Communications Lancaster University（兰卡斯特大学计算与通信学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 提出TraMP-LLaMA多模态框架，融合外观和轨迹特征，采用解耦指令微调策略，联合预测严重度并生成结构化文本报告，在PFED5-plus数据集上优于基线方法。
GAVEL：基于视觉定位的标题错误验证与定位
机构 * OMRON SINIC X Corporation（欧姆龙SINIC X公司）
专题命中 多模态评测 ：image-text(abstract)；分类 cs.CL
AI总结 提出GAVEL任务，联合解决图像-文本对的验证、解释和定位问题，构建数据集和基准，监督基线在定位和解释指标上持续改进。
Comments conference
PressMimic: 压力引导的动作捕捉与控制用于人形机器人模仿
机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） ； Key Laboratory of Optoelectronic Devices and Systems with Extreme Performances of MOE, Nanjing University（南京大学极端性能光电技术与系统教育部重点实验室） ； BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 提出PressMimic框架，通过压力模态融合RGB估计3D姿态和全局运动，并利用压力监督策略实现物理一致的接触模式，提升人形机器人模仿的准确性和稳定性。
PhysEditWorld: 一个面向物理可编辑世界模型的大规模数据集
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Beihang University（北京航空航天大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Independent Researcher（独立研究者） ； Shanghai Jiao Tong University（上海交通大学） ； Sun Yat-sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tencent（腾讯）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 提出PhysEditWorld数据集，通过UE5重放渲染管线生成多重力配置下的动作条件视频，支持可控物理编辑，用于改进世界模型的动力学建模和一致性。
Comments Project page: https://yizhiqianbi.github.io/physeditworld/
LAMP: 面向可行轨迹预测的车道对齐运动基元
机构 * Seoul National University（首尔大学） ； Hyundai Motor Company（现代汽车公司）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 提出LAMP框架，利用VQ-VAE学习形状感知运动基元作为离散意图查询，并结合车道拓扑先验的可行性意图选择器，在保持行为多样性的同时提升预测轨迹的拓扑一致性和可行性。
Comments IEEE ITSC 2026, 6 pages
DiCoBench: 通过差异性和共性视觉线索进行多图像细粒度感知的基准测试
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 提出DiCoBench，一个包含765个样本的高分辨率多图像基准，通过差异性和共性视觉线索评估多模态大模型的细粒度感知能力，发现顶尖模型与人类准确率（98.3%）差距显著。
Comments Accepted by ECCV 2026. Project page with code: https://github.com/PKU-ICST-MIPL/DICO_Bench_ECCV2026
Falcon: X射线中组合推理的功能组装与语言
机构 * Khalifa University（哈利法大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 针对X射线安检中威胁来自分散组件功能兼容性的问题，提出Falcon框架，通过结构化安全状态表示实现组合威胁推理，并构建Falcon-X基准验证其有效性。
Comments Accepted at ECCV2026; Project Page: https://yonathan-kiflom.github.io/FALCON/page/
OrthoTrack：基于公开正射影像的连续六自由度无人机轨迹估计
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） ； Microsoft（微软公司）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.CV
AI总结 提出OrthoTrack，利用公开正射影像和表面模型实现无训练、实时、无漂移的连续六自由度无人机轨迹估计，无需GPS或后处理对齐。
Comments ECCV 2026 - Project page: http://orthotrack.ethz.ch
REALM: 面向物理世界视觉语言模型的统一红队基准
机构 * University of Central Florida（中佛罗里达大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 提出REALM，首个统一红队基准，集成12种攻击方法、3种防御和13个视觉语言模型，通过代理目标生成管道实现公平比较，发现文本注入攻击最有效。
Comments 20 pages, 5 figures. Preprint
HERCULES：面向异构多机器人SLAM、协同感知与探索的开源仿真框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Georgia Tech Research Institute（佐治亚理工学院研究所）
专题命中 多模态评测 ：multi-modal(abstract)；分类 cs.CV
AI总结 提出基于UE5的开源仿真框架HERCULES，支持异构无人机-无人车协同，解决架构限制，提供共享导航栈、红外相机和动态环境，验证了多机器人SLAM与探索的有效性。
Comments 19 pages, 14 figures, and 12 tables
药物难治性癫痫中致痫区识别的基础模型
机构 * McGill University（麦吉尔大学） ； Mila-Quebec AI Institute（米拉-魁北克人工智能研究所） ； Montreal Neurological Institute and Hospital, McGill University（蒙特利尔神经学研究所与医院，麦吉尔大学） ； Institute of Scientific Instruments, The Czech Academy of Sciences（捷克科学院科学仪器研究所） ； Brno Epilepsy Center, Department of Neurology, St Anne’s University Hospital（布尔诺癫痫中心，圣安妮大学医院神经内科） ； Faculty of Medicine, Masaryk University（马萨里克大学医学院） ； Duke University Medical Center（杜克大学医学中心） ； Duke Pratt School of Engineering（杜克普拉特工程学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 提出EpiiSLM双基础模型系统，通过信号基础模型和语言基础模型整合sEEG与临床信息，在接触级PPV上超越传统方法15.1%，仅需一夜发作间期睡眠数据。
Comments Keywords: drug-resistant epilepsy, epileptogenic zone, stereo-electroencephalography, signal foundation models, language foundation models
RAPID：一种可复现的多智能体管道，用于从卫星和街景图像中进行可解释的灾害损害评估
机构 * National University of Singapore（新加坡国立大学） ； The University of Alabama（阿拉巴马大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 提出RAPID，一种可复现的多智能体管道，无需任务特定微调即可实现零样本灾害损害评估，通过跨视图理解、图像恢复和结构化识别生成可解释的评估报告，在多种灾害中达到0.92的分类准确率。
Comments 12 pages, 8 figures
迈向透明的心理健康洞察：基于结构化数据的可解释AI模型用于大学生职业相关抑郁与焦虑
机构 * Faculty of Computer Science and Information Technology, The Superior University（信息科技学院，超凡大学） ； Intelligent Data Visual Computing Research (IDVCR)（智能数据可视化计算研究组）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 提出一种结合多模态数据和联邦学习的可解释AI框架，在隐私保护下识别大学生职业相关心理问题早期指标，模型F1达89.12%，并识别出回避直视等关键行为标记。
Comments Accepted at AHTBE 2025 Conference, published in Medical Sciences Forum (MDPI). 18 pages, 5 figures, 5 tables
人口统计元数据作为基于DistilBERT的自动作文评分中的构念无关噪声
机构 * Sunway University（Sunway大学） ； Faculty of Engineering and Technology（工程与技术学院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CL
AI总结 研究通过ASAP 2.0数据集，发现将人口统计元数据与文本简单拼接会显著降低DistilBERT评分模型的预测准确性和公平性。
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