视觉大模型 / VLM

FastV-RAG: Towards Fast and Fine-Grained Video QA with Retrieval-Augmented Generation

FastV-RAG: 向快速且细粒度的视频问答迈进：基于检索增强生成的框架

Gen Li, Peiyu Liu

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； University of International Business and Economics（国际商务经济大学） 纠错

专题命中 视觉问答 ：vision-language model(abstract)；VLM(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI

AI总结 FastV-RAG通过引入推测解码和基于相似性的过滤策略，提升视频问答任务的效率和准确性。

VNU-Bench: A Benchmarking Dataset for Multi-Source Multimodal News Video Understanding

VNU-Bench：多源多模态新闻视频理解的基准数据集

Zibo Liu, Muyang Li, Zhe Jiang, Shigang Chen

机构 * University of Florida（佛罗里达大学） 纠错

专题命中 视觉问答 ：multimodal large language model(abstract)；分类 cs.LG

AI总结 VNU-Bench是首个多源多模态新闻视频理解基准数据集，通过设计新颖问题类型和混合生成方法，评估模型跨源信息整合能力。

Mem-Gallery: Benchmarking Multimodal Long-Term Conversational Memory for MLLM Agents

Mem-Gallery: 多模态长时对话记忆的基准测试用于 MLLM 代理

Yuanchen Bei, Tianxin Wei, Xuying Ning, Yanjun Zhao, Zhining Liu, Xiao Lin, Yada Zhu, Hendrik Hamann, Jingrui He, Hanghang Tong

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM沃森人工智能实验室，IBM研究） ； Stony Brook University（石溪大学） ； Brookhaven National Laboratory（布鲁赫斯国家实验室） 纠错

专题命中 视觉推理 ：MLLM(title,abstract)；multimodal large language model(abstract)；分类 cs.AI

AI总结 Mem-Gallery 是一个用于评估多模态长时对话记忆的基准测试，通过多会话对话数据集和系统评估框架，揭示了记忆提取、推理和知识管理的关键发现。

Comments 34 pages, 18 figures

Persona-aware and Explainable Bikeability Assessment: A Vision-Language Model Approach

具有人格意识和可解释性的自行车适应性评估：一种视觉-语言模型方法

Yilong Dai, Ziyi Wang, Chenguang Wang, Kexin Zhou, Yiheng Qian, Susu Xu, Xiang Yan

机构 * University of Alabama（阿拉巴马大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Stony Brook University（石溪大学） ； University of Florida（佛罗里达大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.LG

AI总结 本文提出一种视觉-语言模型框架，通过人格意识和可解释性方法评估自行车适应性，解决道路环境复杂性和用户感知异质性问题。

Eye-Q: A Multilingual Benchmark for Visual Word Puzzle Solving and Image-to-Phrase Reasoning

Eye-Q：一个多语言视觉词谜解决和图像到短语推理的基准

Ali Najar, Alireza Mirrokni, Arshia Izadyari, Sadegh Mohammadian, Amir Homayoon Sharifizade, Asal Meskin, Mobin Bagherian, Ehsaneddin Asgari

专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI

AI总结 Eye-Q提出一个多语言视觉词谜基准，评估模型在复杂视觉推理中的能力，发现现有模型在抽象和跨语言推理上存在显著差距。

Comments 8 pages

RadDiff: Describing Differences in Radiology Image Sets with Natural Language

RadDiff：用自然语言描述放射学图像集的差异

Xiaoxian Shen, Yuhui Zhang, Sahithi Ankireddy, Xiaohan Wang, Maya Varma, Henry Guo, Curtis Langlotz, Serena Yeung-Levy

机构 * Stanford University（斯坦福大学） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG

AI总结 RadDiff通过多模态代理系统实现放射学图像集差异的自然语言描述，结合医学知识和多模态推理，在放射学研究配对中取得高准确率，推动临床影像分析的发展。

HyperCLOVA X 32B Think

NAVER Cloud HyperCLOVA X Team

机构 * NAVER Cloud HyperCLOVA X Team（NAVER云HyperCLOVA X团队） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG

Comments Technical Report

How Does a Virtual Agent Decide Where to Look? Symbolic Cognitive Reasoning for Embodied Head Rotation

虚拟代理如何决定看向何处？基于具身头部旋转的符号认知推理

Juyeong Hwang, Seong-Eun Hong, JaeYoung Seon, Hyeongyeop Kang

专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)

AI总结 本文提出SCORE框架，通过符号认知推理实现具身头部旋转，结合视觉-语言模型和大语言模型，使虚拟代理能合理预测头部运动及背后动机。

Comments 13 pages, 8 figures. Accepted to SIGGRAPH Asia Conference Papers '25

Journal ref SIGGRAPH Asia Conference Papers '25, December 15-18, 2025, Hongkong

Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts

在跨模态冲突下分析大型多模态模型的推理一致性

Zhihao Zhu, Jiafeng Liang, Shixin Jiang, Jinlan Fu, Ming Liu, Guanglu Sun, See-Kiong Ng, Bing Qin

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出逻辑图扰动协议，通过主动视觉上下文细化方法，解决大型多模态模型在跨模态冲突下的推理一致性问题，提升推理鲁棒性。

Comments 10 pages, 5 figures

Can LLMs See Without Pixels? Benchmarking Spatial Intelligence from Textual Descriptions

大语言模型能否通过像素感知空间智能？基于文本描述的空间智能基准测试

Zhongbin Guo, Zhen Yang, Yushan Li, Xinyue Zhang, Wenyu Gao, Jiacheng Wang, Chengzhi Li, Xiangrui Liu, Ping Jian

机构 * School of Computer Science & Technology, Beijing Institute of Technology（计算机科学与技术学院，北京理工大学） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI

AI总结 SiT-Bench通过文本描述评估大语言模型的空间智能，揭示其在全局一致性方面的不足，并表明显式空间推理可提升性能。

Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail

Alpamayo-R1: 联结推理与动作预测以实现通用的自动驾驶在长尾场景

NVIDIA, :, Yan Wang, Wenjie Luo, Junjie Bai, Yulong Cao, Tong Che, Ke Chen, Yuxiao Chen, Jenna Diamond, Yifan Ding, Wenhao Ding, Liang Feng, Greg Heinrich, Jack Huang, Peter Karkus, Boyi Li, Pinyi Li, Tsung-Yi Lin, Dongran Liu, Ming-Yu Liu, Langechuan Liu, Zhijian Liu, Jason Lu, Yunxiang Mao, Pavlo Molchanov, Lindsey Pavao, Zhenghao Peng, Mike Ranzinger, Ed Schmerling, Shida Shen, Yunfei Shi, Sarah Tariq, Ran Tian, Tilman Wekel, Xinshuo Weng, Tianjun Xiao, Eric Yang, Xiaodong Yang, Yurong You, Xiaohui Zeng, Wenyuan Zhang, Boris Ivanovic, Marco Pavone

机构 * NVIDIA 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI、cs.LG

AI总结 Alpamayo-R1通过整合因果推理与轨迹规划，提升了自动驾驶在长尾场景中的规划准确性和安全性。

Deep But Reliable: Advancing Multi-turn Reasoning for Thinking with Images

深度但可靠：提升图像思考的多轮推理

Wenhao Yang, Yu Xia, Jinlong Huang, Shiyin Lu, Qing-Guo Chen, Zhao Xu, Weihua Luo, Kaifu Zhang, Yuanyu Wan, Lijun Zhang

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV

AI总结 DRIM通过多阶段流程提升图像思考的多轮推理能力，通过冗余惩罚策略优化实现自我反思的推理模式，从而在视觉理解任务中取得优越表现。

Beyond Chemical QA: Evaluating LLM's Chemical Reasoning with Modular Chemical Operations

超越化学问答：利用模块化化学操作评估LLM的化学推理

Hao Li, He Cao, Bin Feng, Yanjun Shao, Xiangru Tang, Zhiyuan Yan, Li Yuan, Yonghong Tian, Yu Li

机构 * Pengcheng Laboratory（鹏城实验室） ； International Digital Economy Academy（国际数字经济学院） ； School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； School of AI for Science, Peking University（北京大学科学人工智能学院） ； Yale University（耶鲁大学） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI

AI总结 本文提出ChemCoTBench框架，通过模块化化学操作评估LLM在化学推理中的能力，解决分子优化和反应预测等复杂任务。

Comments Accepted by NeurIPS 2025 Dataset Track, 22 pages, 10 figures

Investigating the Grounding Bottleneck for a Large-Scale Configuration Problem: Existing Tools and Constraint-Aware Guessing

探讨大规模配置问题中的 grounding 阻塞问题：现有工具与约束感知猜测

Veronika Semmelrock, Gerhard Friedrich

机构 * Department of Artificial Intelligence（人工智能系） ； Cybersecurity University of Klagenfurt, Austria（克雷根弗特大学网络安全学院） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI

AI总结 本文探讨了ASP在大规模配置问题中的grounding瓶颈，提出约束感知猜测方法以减少内存需求。

Comments In Proceedings ICLP 2025, arXiv:2601.00047

Journal ref EPTCS 439, 2026, pp. 482-495

VULCAN: Tool-Augmented Multi Agents for Iterative 3D Object Arrangement

VULCAN：工具增强的多智能体用于迭代3D物体排列

Zhengfei Kuang, Rui Lin, Long Zhao, Gordon Wetzstein, Saining Xie, Sanghyun Woo

机构 * Stanford University（斯坦福大学） ； Google（谷歌） ； New York University（纽约大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI

AI总结 VULCAN通过引入MCP API、视觉工具和多智能体框架，提升了3D物体排列任务中MLLMs的视觉接地能力与迭代处理效率。

eTracer: Towards Traceable Text Generation via Claim-Level Grounding

eTracer：通过声明级 grounding 实现可追溯的文本生成

Bohao Chu, Qianli Wang, Hendrik Damm, Hui Wang, Ula Muhabbek, Elisabeth Livingstone, Christoph M. Friedrich, Norbert Fuhr

机构 * University of Duisburg-Essen（杜伊斯堡-埃森大学） ； Technische Universität Berlin（柏林技术大学） ； University of Applied Sciences and Arts Dortmund（多特蒙德应用科学大学） ； University Hospital Essen（埃森大学医院） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)

AI总结 eTracer 通过声明级 grounding 提升文本生成的可追溯性和可信度，改进了生物医学领域响应的验证效率。

Comments ACL 2026 Conference Submission (8 main pages)

BREATH-VL: Vision-Language-Guided 6-DoF Bronchoscopy Localization via Semantic-Geometric Fusion

BREATH-VL：基于视觉-语言引导的6自由度支气管镜定位：通过语义-几何融合

Qingyao Tian, Bingyu Yang, Huai Liao, Xinyan Huang, Junyong Li, Dong Yi, Hongbin Liu

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Department of Pulmonary and Critical Care Medicine, The First Affiliated Hospital of Sun Yat-sen University（中山大学附属第一医院呼吸与危重症医学科） ； Centre of AI and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（香港科学院人工智能与机器人中心） ； School of Biomedical Engineering and Imaging Sciences, King’s College London（伦敦国王学院生物医学工程与影像科学学院） 纠错

专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV

AI总结 BREATH-VL通过融合语义和几何信息，实现高精度的6自由度支气管镜定位，减少定位误差并提升效率。

DeepResearch-Slice: Bridging the Retrieval-Utilization Gap via Explicit Text Slicing

DeepResearch-Slice: 通过显式文本切片弥合检索-利用差距

Shuo Lu, Yinuo Xu, Jianjie Cheng, Lingxiao He, Meng Wang, Jian Liang

机构 * NLPR & MAIS CASIA（CASIA NLPR与MAIS） ； School of AI UCAS（UCAS人工智能学院） ； Meituan Inc.（美团公司） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 DeepResearch-Slice通过显式文本切片技术，有效解决检索与利用之间的差距问题，提升模型在嘈杂环境中的鲁棒性。

Comments Ongoing work

LAG: Logic-Augmented Generation from a Cartesian Perspective

LAG: 从笛卡尔视角出发的逻辑增强生成

Yilin Xiao, Chuang Zhou, Yujing Zhang, Qinggang Zhang, Su Dong, Shengyuan Chen, Chang Yang, Xiao Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 LAG通过系统的问题分解、原子记忆库和逻辑感知推理，提升知识密集型任务的准确性和减少幻觉。

What Does Loss Optimization Actually Teach, If Anything? Knowledge Dynamics in Continual Pre-training of LLMs

连续预训练中损失优化实际上教了什么？LLMs持续预训练中的知识动态

Seyed Mahed Mousavi, Simone Alghisi, Giuseppe Riccardi

机构 * Signals and Interactive Systems Lab, University of Trento（信号与交互系统实验室，特伦托大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 研究揭示连续预训练中损失优化与知识学习的不一致性，发现事实学习不稳定且非单调，知识路径随训练动态变化，促使基于学习动态的停止标准评估。

Do Autonomous Agents Contribute Test Code? A Study of Tests in Agentic Pull Requests

自主代理是否贡献测试代码？对代理拉取请求中测试的调查

Sabrina Haque, Sarvesh Ingale, Christoph Csallner

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 研究分析了代理拉取请求中测试代码的出现频率及影响因素，揭示了测试代码对PR规模和处理时间的影响，为自主软件开发研究提供实证依据。

LLMDiRec: LLM-Enhanced Intent Diffusion for Sequential Recommendation

LLMDiRec: 基于大语言模型的意图扩散增强序列推荐

Bo-Chian Chen, Manel Slokom

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 LLMDiRec通过整合大语言模型与意图感知扩散模型，提升序列推荐中复杂用户意图捕捉和长尾项推荐效果。

Comments Under review

Roles of MLLMs in Visually Rich Document Retrieval for RAG: A Survey

多模态大语言模型在视觉丰富文档检索中的作用：一项综述

Xiantao Zhang

机构 * Beihang University（北航大学） 纠错

专题命中 文档图表理解 ：grounding(abstract)；multimodal large language model(abstract)

AI总结 本文综述了多模态大语言模型在视觉丰富文档检索中的应用，探讨了三种关键角色及其在RAG中的作用与权衡。

Comments 18 pages; accepted at AACL-IJCNLP 2025 (main conference)

PosterVerse: A Full-Workflow Framework for Commercial-Grade Poster Generation with HTML-Based Scalable Typography

PosterVerse: 一个用于商业级海报生成的全流程框架，基于HTML的可扩展字体

Junle Liu, Peirong Zhang, Yuyi Zhang, Pengyu Yan, Hui Zhou, Xinyue Zhou, Fengjun Guo, Lianwen Jin

专题命中 文档图表理解 ：MLLM(abstract)；分类 cs.CV

AI总结 PosterVerse通过全流程框架和HTML驱动技术，实现商业级海报的高密度文本渲染与灵活设计。

Journal ref AAAI 2026 Oral

FocusUI: Efficient UI Grounding via Position-Preserving Visual Token Selection

FocusUI: 通过位置保持的视觉标记选择实现高效的UI接地

Mingyu Ouyang, Kevin Qinghong Lin, Mike Zheng Shou, Hwee Tou Ng

机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） 纠错

专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI

AI总结 FocusUI通过位置保持的视觉标记选择实现高效UI接地，有效减少冗余标记并保持位置连续性，提升推理效率和性能。

Comments 14 pages, 13 figures

CoINS: Counterfactual Interactive Navigation via Skill-Aware VLM

基于技能感知的反事实交互导航：通过技能感知视觉语言模型

Kangjie Zhou, Zhejia Wen, Zhiyong Zhuo, Zike Yan, Pengying Wu, Ieng Hou U, Shuaiyang Li, Han Gao, Kang Ding, Wenhan Cao, Wei Pan, Chang Liu

机构 * School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院） ； Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程系） ； College of Design and Engineering, National University Of Singapore（新加坡国立大学设计与工程学院） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系） 纠错

专题命中 GUI与屏幕智能体 ：VLM(title,abstract)；vision-language model(abstract)

AI总结 CoINS通过整合技能感知推理与稳健执行，提升机器人在复杂环境中的交互导航能力。

Comments 17 pages, 13 figures

D-Artemis: A Deliberative Cognitive Framework for Mobile GUI Multi-Agents

D-Artemis：一种用于移动GUI多智能体的 deliberative 认知框架

Hongze Mi, Yibo Feng, Wenjie Lu, Yuqi Wang, Jinyuan Li, Song Cao, He Cui, Tengfei Tian, Xuelin Zhang, Haotian Luo, Di Sun, Jun Fang, Hua Chai, Naiqiang Tan, Gang Pan

专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；分类 cs.AI

AI总结 D-Artemis通过引入细粒度提示检索和主动对齐机制，提升移动GUI多智能体任务的执行成功率和泛化能力。

Are Vision Language Models Cross-Cultural Theory of Mind Reasoners?

视觉语言模型是否是跨文化理论思维推理者？

Zabir Al Nazi, GM Shahariar, Md. Abrar Hossain, Wei Peng

专题命中 幻觉与鲁棒性 ：vision language model(title)；vision-language model(abstract)；VLM(abstract)；MLLM(abstract)

AI总结 本文提出CulturalToM-VQA基准测试集，评估视觉语言模型在跨文化理论思维推理中的表现，发现前沿模型在准确性上显著提升，但存在假信念推理和区域差异等局限，揭示模型的社会可取性偏差问题。

SDCD: Structure-Disrupted Contrastive Decoding for Mitigating Hallucinations in Large Vision-Language Models

SDCD: 结构破坏对比解码用于缓解大视觉-语言模型中的幻觉

Yuxuan Xia, Siheng Wang, Peng Li

机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

专题命中 幻觉与鲁棒性 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI

AI总结 SDCD通过结构破坏对比解码缓解大视觉-语言模型中的幻觉问题，有效抑制纹理驱动偏见，提升多模态能力。

Scanner-Induced Domain Shifts Undermine the Robustness of Pathology Foundation Models

扫描诱导的域偏移损害病理基础模型的鲁棒性

Erik Thiringer, Fredrik K. Gustafsson, Kajsa Ledesma Eriksson, Mattias Rantalainen

机构 * Department of Medical Epidemiology and Biostatistics, Karolinska Institutet（卡罗林斯卡研究所医学流行病学与生物统计学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） 纠错

专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.CV、cs.LG

AI总结 本文研究了扫描诱导的域偏移对病理基础模型鲁棒性的影响，发现现有模型在面对扫描设备变异性时存在显著偏差，需改进嵌入稳定性和校准以提升临床可靠性。