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。

2025-12-23 至 2025-12-23 共收录 65 篇信号源：cs.CV, cs.AI, cs.LG

1. VLM训练与架构 17 篇

2512.18117 2025-12-23 cs.IR 50%

Factorized Transport Alignment for Multimodal and Multiview E-commerce Representation Learning

因子化运输对多模态和多视角电商表示学习

Xiwen Chen, Yen-Chieh Lien, Susan Liu, María Castaños, Abolfazl Razi, Xiaoting Zhao, Congzhe Su

专题命中 VLM训练与架构：vision-language model(abstract)

AI总结本文提出因子化运输框架，通过统一多模态和多视角学习，提升电商场景下的检索性能。

Comments Accepted by WSDM'26

2505.14972 2025-12-23 cs.CL 50%

Multimodal Cultural Safety: Evaluation Framework and Alignment Strategies

多模态文化安全：评估框架与对齐策略

Haoyi Qiu, Kung-Hsiang Huang, Ruichen Zheng, Jiao Sun, Nanyun Peng

机构 * University of California, Los Angeles（加州大学洛杉矶分校）； Salesforce AI Research（Salesforce人工智能研究）； Google DeepMind（谷歌DeepMind）

专题命中 VLM训练与架构：vision-language model(abstract)

AI总结本文提出CROSS基准和CROSS-Eval框架，评估多模态模型的文化安全能力，发现提升推理能力可改善文化对齐，但需结合监督微调和偏好微调策略以增强文化合规性。

2502.11361 2025-12-23 cs.CL 50%

VLDBench Evaluating Multimodal Disinformation with Regulatory Alignment

VLDBench：评估具有监管对齐的多模态虚假信息

Shaina Raza, Ashmal Vayani, Aditya Jain, Aravind Narayanan, Vahid Reza Khazaie, Syed Raza Bashir, Elham Dolatabadi, Gias Uddin, Christos Emmanouilidis, Rizwan Qureshi, Mubarak Shah

专题命中 VLM训练与架构：vision-language model(abstract)

AI总结 VLDBench 是首个多模态虚假信息检测基准，通过大规模标注数据提升检测准确率，支持 AI 管治框架下的可信虚假信息分析。

Comments Accepted in Information Fusion Journal

2. 其他VLM 2 篇

2507.23070 2025-12-23 cs.CV 79%

Vocabulary-free Fine-grained Visual Recognition via Enriched Contextually Grounded Vision-Language Model

无需词汇的细粒度视觉识别 via 增强的上下文感知视觉语言模型

Dmitry Demidov, Zaigham Zaheer, Omkar Thawakar, Salman Khan, Fahad Shahbaz Khan

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学）

专题命中其他VLM ：vision-language model(title,abstract)；分类 cs.CV

AI总结本文提出E-FineR方法，无需词汇实现细粒度视觉识别，提供高可解释性和在零样本和少样本分类中的高性能。

Comments Accepted to ICCV 2025

2512.19271 2025-12-23 cs.CV 57%

3SGen: Unified Subject, Style, and Structure-Driven Image Generation with Adaptive Task-specific Memory

3SGen: 一种统一的主体、风格和结构驱动的图像生成方法，具有自适应任务特定记忆

Xinyang Song, Libin Wang, Weining Wang, Zhiwei Li, Jianxin Sun, Dandan Zheng, Jingdong Chen, Qi Li, Zhenan Sun

机构 * School of Artificial Intelligence, UCAS（人工智能学院，UCAS）； CASIA ； AntGroup（蚂蚁集团）

专题命中其他VLM ：MLLM(abstract)；分类 cs.CV

AI总结 3SGen通过统一的框架实现主体、风格和结构驱动的图像生成，采用自适应任务特定记忆模块提升生成质量和跨任务迁移性。