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。

2026-02-05 至 2026-02-05 共收录 3 篇信号源：cs.CV, cs.AI, cs.LG

1. GUI与屏幕智能体 3 篇

2512.22208 2026-02-05 cs.CL cs.CV cs.LG 81%

Open-Source Multimodal Moxin Models with Moxin-VLM and Moxin-VLA

开源多模态Moxin模型：Moxin-VLM和Moxin-VLA

Pu Zhao, Arash Akbari, Xuan Shen, Zhenglun Kong, Yixin Shen, Sung-En Chang, Timothy Rupprecht, Lei Lu, Enfu Nan, Changdi Yang, Yumei He, Weiyan Shi, Xingchen Xu, Yu Huang, Wei Jiang, Wei Wang, Yue Chen, Yong He, Yanzhi Wang

机构 * Northeastern University（东北大学）； Harvard University（哈佛大学）； Cornell University（康奈尔大学）； Tulane University（路易斯安那州立大学）； University of Washington（华盛顿大学）； Futurewei（未来通信）； AIBAO LLC

专题命中 GUI与屏幕智能体：VLM(title,abstract)；分类 cs.CV、cs.LG

AI总结本文提出开源多模态Moxin模型，通过Moxin-VLM、Moxin-VLA和Moxin-Chinese三种变体，提升视觉-语言、视觉-语言-动作及中文任务的性能。

2602.03973 2026-02-05 cs.RO cs.CV 79%

VLS: Steering Pretrained Robot Policies via Vision-Language Models

VLS：通过视觉-语言模型引导预训练的机器人策略

Shuo Liu, Ishneet Sukhvinder Singh, Yiqing Xu, Jiafei Duan, Ranjay Krishna

机构 * University of Washington（华盛顿大学）； University of Oxford（牛津大学）； National University of Singapore（新加坡国立大学）； Allen Institute for Artificial Intelligence（人工智能研究院）

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

AI总结 VLS通过视觉-语言模型在推理时引导预训练机器人策略，实现无需训练的适应，提升在不同环境下的表现。

Comments 11 Pages, Project page: https://vision-language-steering.github.io/webpage/

2602.04184 2026-02-05 cs.CV cs.AI cs.LG cs.RO 75%

Natural Language Instructions for Scene-Responsive Human-in-the-Loop Motion Planning in Autonomous Driving using Vision-Language-Action Models

基于视觉-语言-动作模型的自动驾驶场景响应式人机协同运动规划的自然语言指令

Angel Martinez-Sanchez, Parthib Roy, Ross Greer

机构 * University of California, Merced（加州大学默塞德分校）

专题命中 GUI与屏幕智能体：VLM(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI、cs.LG

AI总结本研究利用视觉-语言-动作模型，通过指令条件规划提升自动驾驶的鲁棒性和轨迹对齐性能。