Enhancing Multimodal Recommendations with Vision-Language Models and Information-Aware Fusion
专题命中 VLM训练与架构 ：vision-language model(title)；VLM(abstract)
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
1. VLM训练与架构 17 篇
VLM-driven Skill Selection for Robotic Assembly Tasks
机构 * Department of AI Machinery, Korea Institute of Machinery & Materials（人工智能机械系，韩国机械材料研究院）
专题命中 VLM训练与架构 ：VLM(title)；vision-language model(abstract)
LangBridge: Interpreting Image as a Combination of Language Embeddings
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学） ； SenseTime Research（商汤科技研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； PengCheng Laboratory（鹏城实验室） ； Chongqing University（重庆大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；LLaVA(abstract)；grounding(abstract)；分类 cs.CV
Comments The code and weights are open-sourced. Project page: https://curryx-001.github.io/LangBridge.github.io/
How Do VLAs Effectively Inherit from VLMs?
机构 * Microsoft Research（微软研究院） ； The Hong Kong University of Science（香港科学大学） ； Tsinghua University（清华大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；VLM(abstract)；分类 cs.AI
Understanding Cross Task Generalization in Handwriting-Based Alzheimer's Screening via Vision Language Adaptation
机构 * Telecom SudParis, Institut Polytechnique de Paris（电信 SudParis，巴黎理工学院）
专题命中 VLM训练与架构 ：vision language model(abstract)；分类 cs.CV、cs.AI
HiMo-CLIP: Modeling Semantic Hierarchy and Monotonicity in Vision-Language Alignment
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
Comments Accepted by AAAI 2026 as an Oral Presentation (13 pages, 7 figures, 7 tables)
Journal ref AAAI2026
Bridging the gap to real-world language-grounded visual concept learning
机构 * School of Computing, KAIST（计算机学院，韩国科学技术院）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
Journal ref Advances in Neural Information Processing Systems (NeurIPS), 2025
MoRA: Missing Modality Low-Rank Adaptation for Visual Recognition
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Intel（英特尔） ； NVIDIA（英伟达）
专题命中 VLM训练与架构 ：vision language model(abstract)；分类 cs.CV
X2Edit: Revisiting Arbitrary-Instruction Image Editing through Self-Constructed Data and Task-Aware Representation Learning
机构 * OPPO AI Center（OPPO人工智能中心）
专题命中 VLM训练与架构 ：VLM(abstract)；分类 cs.CV
Comments Accepted to AAAI 2026
Revealing emergent human-like conceptual representations from language prediction
机构 * College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） ； Fudan University（复旦大学） ； Institute of Modern Languages and Linguistics（现代语言与语言学研究所） ； Shanghai Key Laboratory of Intelligent Information Processing（上海智能信息处理重点实验室） ； Research Institute of Intelligent Complex Systems（智能复杂系统研究所） ； Institute of Trustworthy Embodied Artificial Intelligence（可信具身人工智能研究所） ； State Key Laboratory of Genetics and Development of Complex Phenotypes（复杂表型遗传与发育国家重点实验室）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
Comments 66 pages. Accepted manuscript. Final version published in Proceedings of the National Academy of Sciences (PNAS): https://www.pnas.org/doi/10.1073/pnas.2512514122
Journal ref Proceedings of the National Academy of Sciences, U.S.A., 122 (44) e2512514122 (2025)
2. 其他VLM 3 篇
Video CLIP Model for Multi-View Echocardiography Interpretation
机构 * The University of Tokyo Hospital（东京大学医院）
专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI
Decomate: Leveraging Generative Models for Co-Creative SVG Animation
机构 * MODULABS
专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.AI
Comments Accepted at the 1st Workshop on Generative and Protective AI for Content Creation (NeurIPS 2025)
AI as intermediary in modern-day ritual: An immersive, interactive production of the roller disco musical Xanadu at UCLA
机构 * UCLA（加州大学洛杉矶分校）
专题命中 其他VLM ：vision language model(abstract)；分类 cs.AI
