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。
SPoRC-VIST：评估视觉语言模型生成自然叙述能力的基准
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉问答 ：vision-language model(title,abstract)；visual question answering(abstract)；grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 SPoRC-VIST基准通过合成到现实训练策略评估视觉语言模型生成多说话者播客对话的自然性和深度。
Comments 14 pages, 3 figures. Accepted to WVAQ 2026, WACV 2026
MacVQA: 适应性内存分配与全局噪声过滤用于连续视觉问答
专题命中 视觉问答 ：visual question answering(title,abstract)；分类 cs.CV
AI总结 MacVQA通过适应性内存分配和全局噪声过滤提升持续视觉问答的性能，实现更高的准确率和更低的遗忘率。
Comments Accepted to AAAI 2026
视觉语言模型中实体知识提取跨模态性能差距
机构 * Tel Aviv University（特拉维夫大学）
专题命中 视觉问答 ：vision language model(title)；vision-language model(abstract)
AI总结 研究视觉语言模型在跨模态实体知识提取中的性能差异，揭示信息流动限制及模型推理效率问题。
Comments Accepted to ACL 2025 Main Conference
AirSpatialBot: 一种空间感知的空中智能体用于细粒度车辆属性识别与检索
机构 * Department of Electronic Engineering, Shanghai Jiao Tong University（电子工程系，上海交通大学） ； Department of Automation, Shanghai Jiao Tong University（自动化系，上海交通大学）
专题命中 视觉问答 ：vision-language model(abstract)；VLM(abstract)；grounding(abstract)；分类 cs.CV
AI总结 AirSpatialBot通过空间感知的VLM和两阶段训练策略，实现细粒度车辆属性识别与检索，解决遥感图像中的空间理解难题。
Comments 12 pages, 9 figures
面向跨学科科学研究的统一多模态理解和生成模型
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 FuXi-Uni是一种统一多模态模型，能跨学科领域理解和生成科学数据，通过自然语言和科学数值预测提升跨学科研究效率。
迈向视觉-语言地理基础模型：一种综述
机构 * School of GeoAI（地理人工智能学院） ； Hindon STAI Institute（Hindon STAI研究所） ； Key Laboratory of Geographic Information Science (Ministry of Education)（地理信息科学重点实验室） ； East China Normal University（华东师范大学） ； School of AI（人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； School of Automation and Intelligent Sensing（自动化与智能感知学院）
专题命中 视觉问答 ：visual question answering(abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文综述了视觉-语言地理基础模型（VLGFMs），探讨其背景、核心技术和应用，旨在构建具备多样化地理感知能力的智能模型。
Comments 18 pages, 4 figures
CTIS-QA：基于临床模板的滑动切片级问题回答用于病理学
机构 * School of Biological Science（生物科学学院） ； Medical Engineering Beihang University Beijing, China（医学工程北京航空航天大学北京中国） ； ByteDance Inc.（字节跳动公司）
专题命中 视觉问答 ：visual reasoning(abstract)；分类 cs.CV
AI总结 CTIS-QA通过双流架构实现滑动切片级问题回答，结合临床模板和视觉-语言对齐，提升病理诊断准确性。
Comments The paper has been accepted by BIBM 2025
UNIDOC-BENCH: 一个统一的文档中心多模态RAG基准
机构 * Salesforce AI Research（Salesforce人工智能研究）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 UniDoc-Bench是首个大规模文档中心多模态RAG基准，通过多模态问答对评估文本-图像融合与联合检索性能，揭示多模态嵌入不足及视觉上下文补充机制。
RoboRefer: 向视觉语言模型在机器人中的空间指称推理迈进
机构 * School of Software, Beihang University（北京航空航天大学软件学院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
专题命中 视觉推理 ：vision-language model(title)；vision language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI
AI总结 RoboRefer通过整合深度编码器和强化微调方法，实现了视觉语言模型在机器人中的空间指称推理，提升了复杂场景下的交互能力。
Comments Accepted by NeurIPS 2025. Project page: https://zhoues.github.io/RoboRefer/
基于蓝图的思考：通过结构化物体表示协助视觉-语言模型进行空间推理
机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research, Asia（微软亚洲研究院） ； Tsinghua University（清华大学） ； University of Toronto（多伦多大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 通过结构化物体表示提升视觉-语言模型的空间推理能力，引入蓝图嵌入推理轨迹、蓝图意识奖励和反捷径数据增强技术。
Comments Preprint. Under review
Yuan3.0 Flash：面向企业应用的开源多模态大语言模型
专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.AI
AI总结 Yuan3.0 Flash通过RAPO算法提升企业任务性能，实现高效多模态大语言模型开源
通过自然语言解释面部验证
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉推理 ：vision-language model(abstract)；vision language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一种视觉-语言模型用于面部验证，通过自然语言解释决策过程，提升验证的透明度和可靠性。
通过情感推理验证器实现多模态大语言模型的情感一致性推理
机构 * Corresponding author（通讯作者）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.AI
AI总结 本文提出情感推理验证器和解释奖励，通过引导模型生成与目标情绪一致的推理，提升多模态大语言模型在情绪识别中的解释准确性与一致性。
Comments 15 pages, 11 figures
迈向病理学中的可审计神经符号推理：SQL作为证据的显式轨迹
机构 * Capital Normal University, Beijing, China（首都师范大学） ； Leibniz-Institut für Analytische Wissenschaften-ISAS, Dortmund, Germany（莱比锡分析科学研究所-ISAS） ； Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学深圳校区）
专题命中 视觉推理 ：vision-language model(abstract)；visual question answering(abstract)；分类 cs.AI
AI总结 本文提出一种基于SQL的神经符号推理框架，通过可执行的SQL轨迹实现病理分析的可审计性和可解释性。
AHA: 通过反事实硬负样本对齐大音频-语言模型以缓解推理幻觉
机构 * Arizona State University（亚利桑那州立大学） ； Clemson University（克莱姆斯大学） ； Washington University in St.Louis（圣路易斯华盛顿大学） ； Rice University（Rice 大学） ； Morgan Stanley（摩根大通）
专题命中 视觉推理 ：VLM(abstract)；grounding(abstract)；分类 cs.AI
AI总结 AHA通过反事实硬负样本对齐大音频-语言模型，有效减少推理幻觉，提升时间推理能力，并在多个基准测试中取得显著成效。
细粒度偏好优化提升视觉语言模型的空间推理能力
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 细粒度偏好优化方法SpatialReasoner-R1通过改进空间推理能力，在空间推理任务中取得显著性能提升。
TraveLLaMA: 一种基于大规模数据集和结构化推理的多模态旅行助手
专题命中 视觉推理 ：vision-language model(abstract)；LLaVA(abstract)；分类 cs.CV
AI总结 TraveLLaMA通过结构化推理框架和大规模数据集，提升旅行推荐和场景理解能力，实现用户满意度和系统性能的显著提升。
Comments AAAI 2026 Oral
DermoGPT: 开放权重和开放数据用于基于形态的皮肤病学推理大语言模型
机构 * School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学） ； Faculty of Information Technology, Monash University（信息科技学院，莫纳什大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)
AI总结 DermoGPT通过开放权重和数据提升皮肤病学推理的MLLM性能，实现与专家诊断流程的一致性。
评估可回收性中的情境智能：图像推理系统的全面研究
机构 * Harvard College（哈佛学院） ； Stanford University（斯坦福大学） ； Department of Biomedical Informatics（生物医学信息学系） ； Harvard Medical School（哈佛医学院）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本研究利用先进视觉-语言模型评估物品可回收性，探讨其在不同场景下的表现，揭示模型在情境理解上的进展与不足。
Comments x
模拟推理是推理
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文探讨了基础模型如何通过模仿思考过程实现推理，挑战了传统符号推理的必要性，并反思了推理模型的安全性和规范性问题。
Comments 21 pages
VisualActBench: VLMs能否像人一样看见并行动？
机构 * University of Rochester（罗切斯特大学） ； Purdue University（普渡大学） ； Northeastern University（东北大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 VisualActBench通过评估VLMs在视觉行动推理任务中的表现，揭示了其在主动推理和高优先级动作生成方面与人类能力的差距。
机器人如何看见不可见之物：通过窥视提升探索机器人视觉可解释性
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 通过模仿昆虫的窥视动作，提升探索机器人在部分遮挡下的视觉推理能力，实现高分辨率、实时感知，适用于复杂环境导航与场景理解。
通过合成数据对齐时间序列，利用大语言模型进行增强的理解与推理
机构 * Tsinghua University（清华大学）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.AI
AI总结 ChatTS通过合成数据生成方法，首次实现了多变量时间序列的多模态大语言模型，显著提升了时间序列的理解与推理性能。
Comments accepted by VLDB' 25
基于视觉-语言推理的地理定位：一种强化学习方法
专题命中 视觉推理 ：vision-language model(abstract)
AI总结 本文提出Geo-R，一种基于强化学习的无检索地理定位框架，通过链式区域生成可解释的监督，提升定位准确性与可解释性。
Comments Accepted to AAAI 2026. Project Page: https://github.com/aialt/geo-r
弥合视觉直觉与化学专业性：通过导师-工程师-学生协作的自主分析框架实现非绝热动力学模拟分析
专题命中 视觉推理 ：visual reasoning(abstract)
AI总结 VisU通过导师-工程师-学生协作框架，实现非绝热动力学模拟分析的自动化，减少人工依赖，提升机理发现的直观性和可扩展性。
动作草图生成器：通过视觉草图实现从推理到动作的长周期机器人操作
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（1 多媒体信息处理国家重点实验室，计算机科学学院，北京大学） ； Beijing Academy of Artificial Intelligence（2 北京人工智能研究院） ； University of Sydney（3 新南威尔士大学） ； Institute of Automation, Chinese Academy of Sciences（4 中国科学院自动化研究所）
专题命中 视觉推理 ：grounding(abstract)
AI总结 动作草图生成器通过视觉草图实现从推理到动作的长周期机器人操作，结合视觉-语言-动作框架提升任务执行的鲁棒性和可解释性。
Comments 26 pages, 14 figures
DVGBench: 面向无人机影像的隐式到显式视觉 grounding 评估基准
机构 * Hinton STAI Institute（Hinton STAI研究所） ； Key Laboratory of Geographic Information Science (Ministry of Education), East China Normal University（地理信息科学重点实验室（教育部）） ； School of Geospatial Artificial Intelligence, East China Normal University（地理空间人工智能学院） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； Information Engineering University（信息工程大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(title,abstract)；分类 cs.CV
AI总结 DVGBench 是一个面向无人机影像的隐式到显式视觉 grounding 评估基准，通过设计 DroneVG-R1 模型提升 LVLM 的推理能力。
Comments 20 pages, 17 figures
BARE：面向偏见意识和推理增强的单塔视觉定位
机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； Pengcheng Laboratory（鹏城实验室） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 BARE通过引入三个新模块，提升单塔视觉定位任务中对偏见的意识和推理能力，实现更高效和准确的多模态理解。
利用2D-VLM实现无标注3D分割以支持大规模户外场景理解
机构 * NTT Corporation（日本电报电话公司）
专题命中 视觉定位与Grounding ：VLM(title)；分类 cs.CV
AI总结 本文提出基于2D-VLM的无标注3D分割方法，通过虚拟相机投影和自然语言提示实现大规模户外场景的语义分割，支持开放词汇识别。
Comments 19
Journal ref 19th International Conference on Machine Vision Applications (MVA2025), IEICE Transactions on Information and Systems letter
LSRE: 隐式语义规则编码用于自动驾驶中的实时语义风险检测
机构 * School of Vehicle and Mobility, Tsinghua University（车辆与移动系统学院，清华大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract)；分类 cs.AI
AI总结 LSRE通过隐式语义规则编码实现自动驾驶中的实时语义风险检测，以10 Hz速度提供高效准确的危险预判。
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