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。

2025-12-19 至 2025-12-19 共收录 3 篇信号源：cs.CV, cs.AI, cs.LG

1. 视觉问答 3 篇

2511.12142 2025-12-19 cs.CV 74%

MAVIS：多模态来源归因的长形式视觉问答基准

Seokwon Song, Minsu Park, Gunhee Kim

专题命中视觉问答：visual question answering(title)；分类 cs.CV

AI总结 MAVIS基准旨在评估多模态来源归因系统，通过多模态文档检索和长形式答案生成，揭示多模态设置下信息量、 groundedness 和流畅性之间的权衡与改进方向。

Comments AAAI 2026; code is available at https://github.com/seokwon99/MAVIS

2512.16891 2025-12-19 cs.CV cs.AI cs.IR cs.LG cs.MM 67%

LinkedOut: 从视频大语言模型中提取世界知识表示以实现下一代视频推荐

Haichao Zhang, Yao Lu, Lichen Wang, Yunzhe Li, Daiwei Chen, Yunpeng Xu, Yun Fu

机构 * Northeastern University（东北大学）； LinkedIn（领英）； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）

专题命中视觉问答：visual reasoning(abstract)；分类 cs.CV、cs.AI、cs.LG

AI总结 LinkedOut通过从视频中提取世界知识表示，实现低延迟、多视频输入的视频推荐，无需人工标注，取得最佳性能。

2512.15233 2025-12-19 cs.CV 57%

Null-LoRA: 在空域上进行低秩适应

Yi Zhang, Yulei Kang, Haoxuan Chen, Jinxuan Li, Jian-Fang Hu

机构 * School of Computer Science（计算机科学学院）； Engineering, Sun Yat-sen University, Guangdong, China（工程学院，中山大学，广东，中国）

专题命中视觉问答：visual question answering(abstract)；分类 cs.CV

AI总结 Null-LoRA通过在空域上进行低秩适应，提升参数效率和模型效果，在图像-文本检索和视觉问答任务中取得最优表现。