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。
在化学表格上评估多模态大语言模型的基准测试
机构 * State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； University of Science and Technology of China（中国科学技术大学） ； Artificial Intelligence Research Institute（人工智能研究院） ； iFLYTEK Co., Ltd（iFLYTEK公司）
专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出ChemTable基准，用于评估多模态模型在理解化学表格中的能力，揭示了现有模型在跨模态对齐和领域推理方面的不足。
通过知识图谱增强下一代语言模型：通过KG-BERT扩展Claude、Mistral IA和GPT-4
机构 * STIH Laboratory, Sorbonne University（索邦大学STIH实验室） ； National Engineering School of Tunis（突尼斯国家工程学院） ； Faculty of Sciences of Tunis（突尼斯科学学院）
专题命中 视觉问答 ：grounding(abstract)
AI总结 通过KG-BERT将知识图谱与Claude、Mistral IA和GPT-4结合，提升其事实可靠性与上下文感知能力。
Comments This paper was accepted and scheduled for inclusion in the ICALT 2025 proceedings but was ultimately not published due to absence from the conference presentation. It appears in the official program booklet. Conference: 2025 IEEE International Conference on Advanced Learning Technologies (ICALT)
探讨视觉语言模型中注意力头的功能作用：推理模块的证据
机构 * The University of Melbourne（墨尔本大学） ； The University of Sydney（悉尼大学）
专题命中 视觉推理 ：vision language model(title)；vision-language model(abstract)；VLM(abstract)；分类 cs.AI
AI总结 本文通过CogVision数据集探讨视觉语言模型中注意力头的功能作用，揭示其在多模态推理中的关键作用及分布特征。
基于大视觉语言模型的细粒度识别：基准测试与优化策略
机构 * ShanghaiTech University（上海科技大学） ； Southeast University（东南大学） ； SenseTime Research（商汤科技研究院）
专题命中 视觉推理 ：visual language model(title)；vision language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出FROW基准测试和优化策略，通过马赛克数据和开放世界数据提升大视觉语言模型的细粒度识别性能。
超越文字和像素：生成模型中隐式世界知识推理的基准测试
机构 * MeiGen AI Team, Meituan（美团梅基因AI团队） ； Fudan University（复旦大学） ； D^{4} Lab（D⁴实验室） ； HHMI Janelia Research Campus（HHMI贾能实验室）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出PicWorld基准测试，用于评估生成模型在隐式世界知识和物理因果推理方面的能力，揭示了现有T2I模型在这些方面的局限性，并提出了证据基础的多代理评估器进行细粒度评估。
通过自我调用代理进行图像思考
机构 * University of Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出sCoT范式，通过自我调用代理实现无需多模态交错的高效视觉推理，实验显示其在HR-Bench 4K上性能提升达1.9%且训练效率提高75%。
Comments Code is available at https://github.com/YWenxi/think-with-images-through-self-calling
AgriGPT-Omni: 一种统一的语音-视觉-文本框架用于多语言农业智能
机构 * Zhejiang University（浙江大学）
专题命中 视觉推理 ：multimodal large language model(abstract)
AI总结 AgriGPT-Omni提出了一种统一的语音-视觉-文本框架，通过数据合成、多阶段训练和三模态基准，提升多语言农业智能的性能和可重复性。
Game-RL: 合成多模态可验证游戏数据以提升VLMs的通用推理能力
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视觉推理 ：vision language model(abstract)
AI总结 Game-RL通过合成多模态可验证游戏数据提升VLMs的通用推理能力。
Comments 69 pages, 24 figures
通过强化学习增强放射学报告生成和视觉基础识别
机构 * University of Zurich（苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） ； Zurich University of Applied Sciences（苏黎世应用科学大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI
AI总结 本研究通过强化学习和思考机制提升放射学报告生成和视觉基础识别的性能，展示了在医学VLMs中RL作为SFT的有效补充。
Comments 10 pages main text (3 figures, 3 tables), 31 pages in total
AutoMedic: 一种用于具有医学数据集支撑的临床对话代理的自动化评估框架
机构 * Yonsei University College of Medicine（延世大学医学院） ； Yonsei Institute for Digital Health（延世大学数字健康研究所） ； Yonsei University（延世大学） ； Institute of Behavioral Sciences in Medicine（医学行为科学研究所）
专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.LG
AI总结 AutoMedic是一种基于医学数据集的自动化评估框架，用于评估临床对话代理的多方面性能，包括准确性、效率、同理心和鲁棒性。
点到跨度：零样本时刻检索用于导航未见的小时级视频
专题命中 视觉定位与Grounding ：VLM(abstract)；grounding(abstract)；分类 cs.CV
AI总结 P2S提出了一种无训练框架，通过适应性跨度生成器和查询分解技术，解决零样本长视频时刻检索中的搜索和细化阶段效率问题。
MMSI-Video-Bench: 一个面向视频基于空间智能的综合基准
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiaotong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 MMSI-Video-Bench是一个综合评估视频基于空间智能的基准，通过多任务和多数据集评估25个MLLMs，揭示了人机推理差距和模型泛化不足的问题。
Video4Spatial: 通过基于场景的视频生成实现视觉空间智能
机构 * Netflix ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Eyeline Studios
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 Video4Spatial通过仅使用视频数据训练的生成模型，实现了复杂空间任务的视觉空间智能，展示了视频生成模型在空间推理中的潜力。
Comments Project page at https://xizaoqu.github.io/video4spatial/
FACTS排行榜：大型语言模型事实性的综合基准
机构 * Google（谷歌）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 FACTS排行榜为大型语言模型提供事实性评估的综合基准，通过四个子排行榜全面衡量模型在不同场景下的事实准确性。
基于Xception的迁移学习与W-Net血管分割的多疾病视网膜分类
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出基于Xception迁移学习和W-Net血管分割的多疾病视网膜分类方法，通过高保真血管分割提升分类准确性，减少假阳性，提高临床应用可行性。
ConStruct：用于基于原型的弱监督病理分割的基模态结构蒸馏
机构 * Ho Chi Minh City University of Technology（胡志明市技术大学） ； University of Technology Sydney（悉尼技术大学） ； University of Houston（休斯顿大学） ； University of Information Technology（信息科技大学） ； College of Medical Science and Technology, Taipei Medical University（台北医学院医学科技学院） ； Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Montefiore Medical Center, Albert Einstein College of Medicine（蒙特福伊医疗中心，阿尔伯特·爱因斯坦医学院） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 ConStruct通过结合CONCH的形态感知表示、SegFormer的多尺度结构线索和文本引导的语义对齐，提出一种高效的弱监督病理分割方法，提升分割精度和计算效率。
EcomBench: 向电子商务基础智能体的全面评估迈进
机构 * Tongyi Lab（通义实验室） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 EcomBench通过真实电子商务场景评估智能体的核心能力，提供动态测试环境以衡量其在实际决策中的表现。
DOCR-Inspector: 基于VLM的文档解析细粒度与自动化评估
机构 * Peking University（北京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The University of HongKong（香港大学） ； Shanghai Jiaotong University（上海交通大学）
专题命中 文档图表理解 ：VLM(title,abstract)；vision language model(abstract)；分类 cs.CV
AI总结 DOCR-Inspector通过细粒度错误检测和分析，提供文档解析质量的自动化评估，优于现有商业和开源模型。
AFRAgent：一种基于自适应特征归一化的高分辨率感知GUI代理
机构 * Media and Data Science Research, Adobe（Adobe媒体与数据科学研究所）
专题命中 GUI与屏幕智能体 ：visual language model(abstract)；分类 cs.CV
AI总结 AFRAgent通过自适应特征归一化技术，在保持高分辨率细节的同时，实现了更高效的GUI自动化性能，比现有模型小四分之一。
Comments Accepted at WACV 2026 Conference
从实验室到现实应用：评估边缘设备上用于移动机器人的零样本场景解读
机构 * Laboratories for Cognitive Systems and Robotics（认知系统与机器人实验室） ； University of Luxembourg（卢森堡大学）
专题命中 GUI与屏幕智能体 ：visual language model(abstract)；分类 cs.CV
AI总结 本文评估了适用于移动机器人边缘设备的小型视觉语言模型在零样本场景解读任务中的性能与应用潜力。
Comments 15 pages, 6 figures, 1 table; accepted for AI-2025 Forty-fifth SGAI International Conference on Artificial Intelligence CAMBRIDGE, ENGLAND 16-18 DECEMBER 2025
Journal ref Artificial Intelligence XLII. SGAI-AI 2025. Lecture Notes in Computer Science, vol 16302. Springer, Cham (2026), pp 301-315
SAVE：基于稀疏自编码器的视觉信息增强用于缓解物体幻觉
机构 * Department of Electrical and Computer Engineering, Seoul National University（电子与计算机工程系，首尔国立大学） ； Daegu Gyeongbuk Institute of Science and Technology（大邱庆州科学技术院） ； IPAI, AIIS, ASRI, INMC, and ISRC, Seoul National University（IPAI、AIIS、ASRI、INMC 和 ISRC，首尔国立大学）
专题命中 幻觉与鲁棒性 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 SAVE通过引导模型沿稀疏自编码器潜在特征减少物体幻觉，提升视觉理解能力。
Comments WACV 2026
多语言视觉语言模型训练：将英语训练的VLM适应到法语
机构 * Ecole Polytechnique（巴黎政治学院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学）
专题命中 VLM训练与架构 ：VLM(title,abstract)；分类 cs.AI
AI总结 本文研究了将英语训练的视觉语言模型适应到法语等其他语言的挑战，通过比较不同方法的性能和计算成本，发现数据翻译是多语言VLM性能的主要瓶颈。
基于视觉大语言模型的新型类别发现
专题命中 VLM训练与架构 ：VLM(title)；分类 cs.CV
AI总结 基于视觉大语言模型的新型类别发现方法，通过融合视觉-文本语义和原型引导聚类，提升未知类别分类准确率25.3%，并展现对长尾分布的鲁棒性。
Comments 8 pages, 5 figures, conference
超越像素：一种无训练的文本到文本框架用于遥感图像检索
机构 * Information Technology University of Technology Sydney Sydney, Australia（信息科技技术大学悉尼分校悉尼澳大利亚） ； Robotics Laboratory (SensR Lab) Centre for Advanced Manufacturing Technology Western Sydney University Sydney, Australia（机器人实验室（SensR实验室）先进制造技术中心西悉尼大学悉尼澳大利亚） ； The Data Science Institute Faculty of Engineering（数据科学学院工程学院）
专题命中 VLM训练与架构 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出无训练的文本到文本框架TRSLLaVA，通过结构化文本实现高效遥感图像检索，实验表明其性能优于现有监督模型。
Comments 6 pages, 1 figure
HunyuanOCR 技术报告
机构 * Tencent（腾讯）
专题命中 VLM训练与架构 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI
AI总结 HunyuanOCR是一款轻量级视觉-语言模型，通过统一通用性与效率、简化端到端架构、采用数据驱动和强化学习策略，在OCR任务中实现卓越性能。
DuetSVG：基于内部视觉引导的统一多模态SVG生成
机构 * City University of Hong Kong（香港城市大学） ； Adobe Research（Adobe研究院）
专题命中 VLM训练与架构 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV
AI总结 DuetSVG通过端到端生成图像和SVG标记，结合内部视觉引导提升SVG生成质量，实现视觉忠实与语义一致的统一多模态生成。
Comments Project page: https://intchous.github.io/DuetSVG-site
LDP：多模态大语言模型在医疗报告生成中的参数高效微调
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 LDP通过多模态大语言模型和参数高效微调技术，提升结肠镜息肉诊断报告的准确性和效率，显著降低训练成本并获得专家评分。
Comments Work in progress
TRIDENT：一种用于加勒比口音紧急语音分诊的冗余架构
专题命中 VLM训练与架构 ：grounding(abstract)
AI总结 TRIDENT通过结合加勒比口音优化的ASR、实体提取和生物声学检测，为调度员提供三种信号以提高紧急分诊效率，解决非标准英语变体识别问题。
探索多模态课堂数据中教学活动和话语的自动化识别
专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV
AI总结 本文通过多模态分析方法，实现了课堂活动中教学活动和话语的自动化识别，展示了微调模型在视频和 transcripts 上的高准确率，为可扩展的教师反馈系统提供了基础。
Comments This article has been accepted for publication in the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026
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