AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
文本打印图像：为以文本为中心的大型视觉-语言模型训练弥合图像-文本模态差距
机构 * Turing Inc.（图灵公司） ； Institute of Science Tokyo（东京科学研究院） ； The University of Tokyo（东京大学） ； Tohoku University（东北大学）
专题命中 视觉问答 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出文本打印图像（TPI）技术，通过生成合成图像弥合图像-文本模态差距，提升以文本为中心的大型视觉-语言模型训练效果。
从像素到 prose：推进遥感多模态语言模型
机构 * Simon Fraser University（西蒙弗雷泽大学） ； University of Minnesota - Twin Cities（明尼苏达大学双城分校） ； Kyoto University（京都大学） ； Georgia Institute of Technology（佐治亚理工学院） ； National Taiwan Normal University（台湾师范大学） ； Purdue University（普渡大学） ； Emory University（埃默里大学） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校）
专题命中 视觉问答 ：visual question answering(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文探讨了多模态语言模型在遥感中的应用，分析了其技术基础、挑战及未来发展方向，强调了其在环境监测和灾害响应中的重要作用。
Comments 10 pages, 1 figure
SpatialReasoner: 大规模3D场景理解中的主动感知
机构 * University of Manchester（曼彻斯特大学） ； Institute for Infocomm Research (I2R), A*STAR, Singapore（信息与通信研究 institute（I2R），A*STAR，新加坡） ； University of Bedfordshire（贝德福德郡大学）
专题命中 视觉问答 ：vision-language model(abstract)；visual question answering(abstract)；分类 cs.CV
AI总结 SpatialReasoner通过主动感知框架实现大规模3D场景理解，采用两阶段训练策略在H$^2$U3D数据集上取得最佳性能。
SATORI-R1: 通过显式视觉锚定激励多模态推理
机构 * Huazhong University of Science and Technology（华中科技大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 SATORI-R1通过显式视觉锚定提升多模态推理，采用三个可验证阶段和VQA-Verify数据集，在VQA任务中实现15.7%的准确率提升。
Comments 21 pages, 8 figures
MindGPT-4ov: 一种通过多阶段训练范式增强的多模态大语言模型
机构 * MindGPT-4o Team（MindGPT-4o 团队） ； Li Auto Inc.（利汽车公司）
专题命中 视觉推理 ：MLLM(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 MindGPT-4ov通过多阶段训练范式提升多模态大语言模型的性能与泛化能力，实现低成本高效率的训练与部署。
Comments 33 pages, 14 figures
流程图2Mermaid：一种基于视觉-语言模型的系统，用于将流程图转换为可编辑的图表代码
机构 * Queen’s University Belfast（女王大学贝尔法斯特）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.AI
AI总结 Flowchart2Mermaid通过视觉-语言模型将流程图图像转换为可编辑的Mermaid代码，提供结构化文本表示和混合初始化的编辑功能，提升流程图的可重用性和版本控制能力。
Comments Submitted to EACL 2026 Demo Track
OmniDexVLG: 从视觉语言模型引导的抓取语义、分类法和功能可及性中学习灵巧抓取生成
机构 * University of Hamburg（汉堡大学） ； Agile Robots SE（敏捷机器人公司） ； Technical University of Munich（慕尼黑技术大学）
专题命中 视觉推理 ：vision language model(title)；分类 cs.LG
AI总结 OmniDexVLG通过多模态语义推理和统一视觉语言模型，实现从自然语言指令中生成多样且语义连贯的灵巧抓取。
Comments Project Website: https://sites.google.com/view/omnidexvlg, 16 pages
CartoMapQA: 一个评估视觉-语言模型在制图地图理解上的基础基准数据集
机构 * KDDI Research, Inc.（KDDI研究公司） ； University of Southern California（南加州大学）
专题命中 视觉推理 ：vision-language model(title)；分类 cs.CV
AI总结 CartoMapQA通过问答任务评估视觉-语言模型在制图地图理解上的能力，揭示了模型在地图语义和地理推理方面的不足。
Comments Accepted at SIGSPATIAL 2025 (Best paper candidates), 15 pages
机构 * Guangdong Provincial Key Laboratory of Intelligent Information Processing（广东省智能信息处理重点实验室） ； Shenzhen Key Laboratory of Media Security（深圳媒体安全重点实验室） ； SZU-AFS Joint Innovation Center for AI Technology（深圳大学-腾讯优图联合创新中心） ； Shenzhen University（深圳大学） ； School of Electronic and Computer Engineering（电子与计算机工程学院） ； Peking Univerisity（北京大学） ； Tencent Youtu Lab（腾讯优图实验室）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
Plantain: 计划-答案交错推理
机构 * Google DeepMind（谷歌DeepMind） ； University of Southern California（南加州大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 Plantain通过计划-思考-回答的交错推理方式，提升数学推理和编码任务的性能，同时减少响应时间。
通过编程视觉思考：迈向图像思考的统一视角
机构 * Zhejiang University（浙江大学） ； ByteDance BandAI（字节跳动BandAI）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 CodeVision提出一种灵活的代码作为工具框架，通过两阶段训练提升模型对图像变化和多工具推理的鲁棒性，实验显示显著提升性能并促进新兴能力。
合成认知 walkthrough：使大语言模型性能与人类认知 walkthrough 对齐
专题命中 视觉推理 ：visual reasoning(abstract)
AI总结 研究探讨了大型语言模型能否通过模拟人类行为来提升认知 walkthrough 的效率，并展示了其在可用性测试中的潜在应用价值。
某些模态比其他模态更平等：在MLLMs中解码和架构多模态整合
机构 * Boston University（波士顿大学） ； Google DeepMind（谷歌DeepMind）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文研究了多模态大语言模型对矛盾模态的鲁棒性，提出模态对齐调优策略以提升多模态推理能力。
视觉语言模型能否检测并定位细粒度的人工智能编辑图像？
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Ant Group（蚂蚁集团） ； Tsinghua University（清华大学） ； Shandong University（山东大学） ； Wuhan University（武汉大学）
专题命中 视觉定位与Grounding ：vision language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出FragFake基准，首次系统研究VLMs在编辑图像分类和定位中的应用，发现微调模型在准确性上表现优异，同时探索了基于GRPO的RLVR训练方法。
Comments 14pages,19 figures
加速组合划分问题的数据驱动算法选择
机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； Stanford University（斯坦福大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本文提出了一种理论基础，用于数据驱动算法选择中的大小泛化，通过在较小样本上评估算法性能来预测大规模实例的表现，并验证了三种聚类算法和两种max-cut算法的泛化能力。
Journal ref NeurIPS 2025
SocraticAI: 通过支架式交互将LLMs转化为指导性计算机科学导师
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 SocraticAI通过结构化约束将LLMs整合到计算机科学教育中，培养学生战略性的人工智能交互能力。
Comments Presented in the Best Practices Track of COMPUTE 2025 (arXiv:2512.02349)
DAWZY：一种新的AI驱动的“人机协同”音乐共创工具
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 DAWZY是一种基于AI的开源音乐创作工具，通过自然语言交互和LLM代码生成，提升音乐制作效率与用户体验。
当有害内容被伪装时：通过CamHarmTI揭示LVLMs的感知失败
机构 * Zhejiang University（浙江大学）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.AI
AI总结 本文提出CamHarmTI基准，揭示LVLMs在识别伪装有害内容时的感知不足，并通过微调提升模型性能。
生成式人工智能与强化学习在机器人中的双重性：综述
机构 * SUPSI（瑞士苏黎世联邦理工学院）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.LG
AI总结 本文综述了生成式人工智能与强化学习在机器人中的双重性，探讨了两者的整合方法、挑战及未来研究方向。
Comments Submitted for publication to Information Fusion
Journal ref Information Fusion Volume 129, May 2026, 104003
UniEdit-I: 基于迭代理解、编辑和验证的无训练图像编辑
机构 * Peking University（北京大学）
专题命中 VLM训练与架构 ：VLM(title,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 UniEdit-I通过在语义潜在空间中引入迭代理解、编辑和验证循环，实现了无训练的闭环图像编辑，无需微调或架构修改即可达到最先进的性能。
看、复述、然后回答：通过自动生成的知识提示提升VLM性能
专题命中 VLM训练与架构 ：VLM(title)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 通过自动生成的知识提示提升VLM性能，采用模块化设计减少幻觉，实现精准农业中杂草识别准确率的显著提升。
太迟回忆：多模态知识检索中双跳问题的解释
机构 * University of Oxford（牛津大学） ； McGill University（麦吉尔大学） ； Meta ； MATS
专题命中 VLM训练与架构 ：vision language model(abstract)；VLM(abstract)；LLaVA(abstract)；分类 cs.LG
AI总结 本文研究了多模态知识检索中双跳问题的影响，发现VLMs在处理视觉输入时过晚解决实体表示导致事实回忆性能下降，并提出通过修补和提示方法恢复性能。
SafePTR: 通过剪枝-恢复机制实现多模态大语言模型的令牌级 Jailbreak 防御
机构 * Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳研究院） ； Southwestern University of Finance and Economics（西南财经大学） ； Engineering Research Center of Intelligent Finance, Ministry of Education（教育部智能金融工程研究中心） ； Tongji University（同济大学）
专题命中 VLM训练与架构 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 SafePTR 提出一种无需训练的多模态大语言模型防御机制，通过剪枝有害令牌并恢复良性特征，有效提升安全性并保持效率。
Comments Accepted by NeurIPS 2025
多语言免训练 遥感图像描述生成
机构 * INESC-ID（葡萄牙里斯本INESC-ID研究所） ； Instituto Superior Técnico（葡萄牙里斯本技术大学） ； Faculdade de Engenharia da Universidade do Porto（葡萄牙波尔图大学工程学院）
专题命中 VLM训练与架构 ：VLM(abstract)；分类 cs.CV
AI总结 本文提出一种无需训练的多语言遥感图像描述生成方法，通过检索增强提示和图基重新排序策略，实现跨语言的高效描述生成。
将大型语言模型适应于低资源藏语：一种两阶段持续和监督微调研究
专题命中 VLM训练与架构 ：grounding(abstract)
AI总结 本研究通过两阶段方法将Qwen2.5-3B适应到藏语，通过持续预训练和监督微调提升翻译质量，实现低资源语言的模型适应。
Finetune-RAG: 通过微调语言模型抵抗检索增强生成中的幻觉
机构 * Pints AI Labs（Pints AI 实验室）
专题命中 VLM训练与架构 ：grounding(abstract)
AI总结 Finetune-RAG通过微调方法提升LLM事实准确性，提出首个RAG训练数据集和压力测试评估流程。
V-ITI: 通过视觉推理时间干预缓解多模态大语言模型中的幻觉
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Baidu Inc.（百度公司）
专题命中 其他VLM ：multimodal large language model(title,abstract)；MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 V-ITI通过视觉推理时间干预框架，有效缓解多模态大语言模型中的视觉相关幻觉问题，同时保持任务性能。
视觉语言模型在生成文本天气预报中的巨大潜力
机构 * Met Office（英国气象局） ； Amazon Web Services（亚马逊网络服务） ； University of East Anglia（东安格利亚大学）
专题命中 其他VLM ：vision language model(title,abstract)；分类 cs.AI、cs.LG
AI总结 本文研究了视觉语言模型在直接生成文本天气预报中的潜力，通过视频编码的格网天气数据提升气象服务的生产效率与创新。
Comments 7 pages, 2 tables
工程设计中的AI代理：一种用于汽车外观和空气动力学设计的多代理框架
机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院机械工程系） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院电气工程与计算机科学系） ； Department of Computer Science, Technical University of Munich, Munich, Germany（慕尼黑技术大学计算机科学系）
专题命中 其他VLM ：vision-language model(abstract)；分类 cs.AI、cs.LG
AI总结 本研究提出了一种多代理框架，利用AI代理提升汽车设计的美学和空气动力学性能，通过自动化任务加速设计流程。
PixCell：数字病理图像的生成基础模型
机构 * Stony Brook University（石溪大学） ； Argonne National Laboratory（阿贡国家实验室） ； The University of Chicago（芝加哥大学） ； University of Utah（犹他大学）
专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV
AI总结 PixCell是首个针对数字病理图像的生成基础模型，通过扩散模型在大规模数据集上训练，实现隐私保护的数据生成和虚拟染色任务，提升病理学研究效率。
Comments Project page - https://histodiffusion.github.io/docs/projects/pixcell
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