视觉大模型 / VLM

MSJoE: Jointly Evolving MLLM and Sampler for Efficient Long-Form Video Understanding

MSJoE：联合进化多模态大语言模型与采样器以实现高效的长视频理解

Wenhui Tan, Xiaoyi Yu, Jiaze Li, Yijing Chen, Jianzhong Ju, Zhenbo Luo, Ruihua Song, Jian Luan

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） ； Tongji University（同济大学） ； MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus） 纠错

专题命中 视觉问答 ：MLLM(title,abstract)；multimodal large language model(abstract)；分类 cs.CV

AI总结 MSJoE通过联合进化多模态大语言模型与轻量级采样器，提升长视频理解效率，实验表明其在多个基准测试中表现优异。

Comments Accepted by CVPR2026

BeamVLM for Low-altitude Economy: Generative Beam Prediction via Vision-language Models

BeamVLM 用于低空经济：通过视觉-语言模型进行生成式波束预测

Chenran Kou, Changsheng You, Mingjiang Wu, Dingzhu Wen, Zezhong Zhang, Chengwen Xing

专题命中 视觉问答 ：vision-language model(title,abstract)；VLM(abstract)

AI总结 BeamVLM 通过视觉-语言模型实现生成式波束预测，提升无人机与地面基站间通信的准确性和泛化能力。

Comments We propose a novel end-to-end generative framework for beam prediction by using vision-language models

Breaking the Visual Shortcuts in Multimodal Knowledge-Based Visual Question Answering

打破多模态知识驱动视觉问答中的视觉捷径

Dosung Lee, Sangwon Jung, Boyoung Kim, Minyoung Kim, Sungyeon Kim, Junyoung Sung, Paul Hongsuck Seo

机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； Amazon（亚马逊） 纠错

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

AI总结 本研究通过RETINA基准和MIMIR方法，打破多模态知识驱动视觉问答中的视觉捷径问题，验证现有模型对捷径的依赖并展示改进效果。

Index Light, Reason Deep: Deferred Visual Ingestion for Visual-Dense Document Question Answering

索引轻，推理深：延迟视觉摄入用于视觉密集文档问答

Tao Xu

专题命中 视觉问答 ：vision language model(abstract)；VLM(abstract)；分类 cs.CV

AI总结 本文提出延迟视觉摄入框架，通过分层图号聚类构建索引，利用BM25检索和VLM分析提升视觉密集文档问答性能。

Comments 24 pages, 4 figures, 7 tables

SPARTA: Scalable and Principled Benchmark of Tree-Structured Multi-hop QA over Text and Tables

SPARTA：可扩展且原则性的树状多跳问答基准

Sungho Park, Jueun Kim, Wook-Shin Han

机构 * POSTECH 纠错

专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI

AI总结 SPARTA通过自动生成大规模表格-文本问答基准测试，揭示了跨模态推理的深层缺陷。

Comments 10 pages, 5 figures. Published as a conference paper at ICLR 2026. Project page: https://sparta-projectpage.github.io/

Journal ref The Fourteenth International Conference on Learning Representations (ICLR), 2026

ContextRL: Enhancing MLLM's Knowledge Discovery Efficiency with Context-Augmented RL

ContextRL: 通过上下文增强强化学习提升大语言模型的知识发现效率

Xingyu Lu, Jinpeng Wang, YiFan Zhang, Shijie Ma, Xiao Hu, Tianke Zhang, Haonan fan, Kaiyu Jiang, Changyi Liu, Kaiyu Tang, Bin Wen, Fan Yang, Tingting Gao, Han Li, Chun Yuan

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Chinese Academy of Sciences（中国科学院） ； Tsinghua University（清华大学） 纠错

专题命中 视觉推理 ：MLLM(title)；分类 cs.AI、cs.LG

AI总结 ContextRL通过上下文增强强化学习提升大语言模型的知识发现效率，有效缓解奖励黑客问题并提升性能。

Comments 14 pages, 5 figures

PoSh: Using Scene Graphs To Guide LLMs-as-a-Judge For Detailed Image Descriptions

PoSh：利用场景图引导LLM-as-a-Judge进行详细图像描述

Amith Ananthram, Elias Stengel-Eskin, Lorena A. Bradford, Julia Demarest, Adam Purvis, Keith Krut, Robert Stein, Rina Elster Pantalony, Mohit Bansal, Kathleen McKeown

机构 * Columbia University（哥伦比亚大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The National Gallery of Art（国家艺术馆） ； UCLA（加州大学洛杉矶分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

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

AI总结 PoSh通过利用场景图引导LLM-as-a-Judge，提供了一种更准确的详细图像描述评估方法，并展示了其在新数据集DOCENT中的优越表现。

Comments Accepted at ICLR 2026. 26 pages, 9 figures. Metric/benchmark available at https://github.com/amith-ananthram/posh

Scale Can't Overcome Pragmatics: The Impact of Reporting Bias on Vision-Language Reasoning

规模无法克服语用学：报告偏差对视觉-语言推理的影响

Amita Kamath, Jack Hessel, Khyathi Chandu, Jena D. Hwang, Kai-Wei Chang, Ranjay Krishna

机构 * University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Samaya AI（Samaya人工智能） ； Mistral AI（Mistral人工智能） ； Allen Institute for AI（人工智能研究所） 纠错

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

AI总结 本文指出视觉-语言模型在推理能力上的不足源于训练数据中的报告偏差，通过实验表明单纯扩大数据规模无法提升推理技能，但专门收集隐含信息的注释能有效改善模型表现。

Comments TACL 2026

RETLLM: Training and Data-Free MLLMs for Multimodal Information Retrieval

RETLLM: 无需训练和数据的多模态信息检索中的大规模语言模型训练

Dawei Su, Dongsheng Wang

机构 * College of Computer Science ； Software Engineering \ University, Shenzhen, China 纠错

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

AI总结 RetLLM通过无需训练和数据的框架，利用MLLMs的多模态推理能力提升多模态信息检索性能。

Comments 5 pages, 2 figure

ThinkRL-Edit: Thinking in Reinforcement Learning for Reasoning-Centric Image Editing

ThinkRL-Edit: 基于强化学习的图像编辑推理框架

Hengjia Li, Liming Jiang, Qing Yan, Yizhi Song, Hao Kang, Zichuan Liu, Xin Lu, Boxi Wu, Deng Cai

机构 * Zhejiang University（浙江大学） 纠错

专题命中 视觉推理 ：VLM(abstract)；visual reasoning(abstract)；分类 cs.CV

AI总结 ThinkRL-Edit通过引入链式推理和无偏奖励策略，提升图像编辑的推理能力，实现更精准和稳定的编辑效果。

SC-Arena: A Natural Language Benchmark for Single-Cell Reasoning with Knowledge-Augmented Evaluation

SC-Arena: 一种用于具有知识增强评估的单细胞推理的自然语言基准

Jiahao Zhao, Feng Jiang, Shaowei Qin, Zhonghui Zhang, Junhao Liu, Guibing Guo, Hamid Alinejad-Rokny, Min Yang

机构 * Software College, Northeastern University（东北大学软件学院） ； Shenzhen University of Advanced Technology（深圳大学先进技术学院） ； Shenzhen Key Laboratory for High Performance Data Mining（深圳高性能数据挖掘重点实验室） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究所，中国科学院） ； University of California, Irvine（加州大学 Irvine 分校） ； School of Biomedical Engineering, UNSW Sydney（悉尼大学生物医学工程学院） 纠错

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

AI总结 SC-Arena通过知识增强评估框架，为单细胞生物学中的LLM提供统一且可解释的评估方法，提升生物正确性和推理能力。

Enhancing Geometric Perception in VLMs via Translator-Guided Reinforcement Learning

通过翻译引导强化学习增强VLMs的几何感知

Hao Yu, Shuning Jia, Guanghao Li, Wenhao Jiang, Chun Yuan

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

AI总结 通过翻译引导强化学习提升VLMs的几何感知能力，实现显著性能提升。

Thinking Beyond Labels: Vocabulary-Free Fine-Grained Recognition using Reasoning-Augmented LMMs

超越标签：基于推理增强的LMMs的无词汇细粒度识别

Dmitry Demidov, Zaigham Zaheer, Zongyan Han, Omkar Thawakar, Rao Anwer

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 FiNDR通过推理增强的LMMs实现无词汇细粒度识别，提出三步流程生成候选标签、过滤排名并构建轻量级分类器，取得显著性能提升。

Journal ref CVPR 2026 (main conference)

Exploring Human Behavior During Abstract Rule Inference and Problem Solving with the Cognitive Abstraction and Reasoning Corpus

探索抽象规则推理和问题解决中的人类行为：认知抽象与推理语料库

Caroline Ahn, Quan Do, Leah Bakst, Michael P. Pascale, Joseph T. McGuire, Michael E. Hasselmo, Chantal E. Stern

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

AI总结 CogARC通过研究人类在抽象规则推理中的行为，揭示了人们在不确定性下的策略适应与泛化能力。

Seeing Graphs Like Humans: Benchmarking Computational Measures and MLLMs for Similarity Assessment

像人类一样看图：通过计算度量和MLLMs进行相似性评估的基准测试

Seokweon Jung, Jeongmin Rhee, Seoyoung Doh, Hyeon Jeon, Ghulam Jilani Quadri, Jinwook Seo

专题命中 视觉推理 ：multimodal large language model(abstract)

AI总结 本文通过实验比较了计算度量和MLLMs在图相似性评估中的表现，发现MLLMs，特别是GPT-5，在匹配人类感知方面表现优异，能提供可解释的推理理由。

Comments 21 pages including 1 page of appendix, 9 figures, 4 tables

HulluEdit: Single-Pass Evidence-Consistent Subspace Editing for Mitigating Hallucinations in Large Vision-Language Models

HulluEdit: 单次通过证据一致子空间编辑用于缓解大视觉-语言模型中的幻觉

Yangguang Lin, Quan Fang, Yufei Li, Jiachen Sun, Junyu Gao, Jitao Sang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing Jiaotong University（北京交通大学） 纠错

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

AI总结 HulluEdit通过单次通过的正交子空间编辑方法，有效缓解大视觉-语言模型中的幻觉问题，实现了最先进的幻觉减少效果。

Comments accepted at CVPR 2026

Detection and Measurement of Hailstones with Multimodal Large Language Models

利用多模态大语言模型检测和测量冰雹

Moritz Alker, David C. Schedl, Andreas Stöckl

机构 * Digital Media Lab University of Applied Sciences Upper Austria（数字媒体实验室 上奥地利应用科学大学） 纠错

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

AI总结 利用多模态大语言模型检测和测量冰雹，通过社交媒体图像实现快速评估

Comments 6 pages, 5 figures, accepted at The 2nd International Conference on Electrical and Computer Engineering Researches

From Open Vocabulary to Open World: Teaching Vision Language Models to Detect Novel Objects

从开放词汇到开放世界：教会视觉语言模型检测新物体

Zizhao Li, Zhengkang Xiang, Joseph West, Kourosh Khoshelham

机构 * The University of Melbourne Parkville, VIC, Australia（墨尔本大学帕克维尔分校） 纠错

专题命中 视觉定位与Grounding ：vision language model(title)；分类 cs.CV、cs.AI

AI总结 本文提出了一种开放世界框架，使OVD模型能够检测新物体，通过引入OWEL和MSCAL方法提升模型对远超出分布物体的识别能力。

Comments Accepted by BMVC 2025

SimpleOCR: Rendering Visualized Questions to Teach MLLMs to Read

SimpleOCR: 将可视化问题呈现以教导大语言模型阅读

Yibo Peng, Peng Xia, Ding Zhong, Kaide Zeng, Siwei Han, Yiyang Zhou, Jiaqi Liu, Ruiyi Zhang, Huaxiu Yao

机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） ； Adobe Research（Adobe研究） 纠错

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

AI总结 SimpleOCR通过强制模型视觉参与，解决多模态大语言模型在图像中阅读文本的性能问题，提升模型的视觉文本提取能力。

What Is the Point of Equality in Machine Learning Fairness? Beyond Equality of Opportunity

机器学习公平性中平等的意义：超越机会的平等

Youjin Kong

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

AI总结 本文探讨机器学习公平性中平等的意义，提出超越机会平等的平等主义框架，以解决结构性不平等和代表性伤害问题。

Comments Presented at ACM FAccT 2025; Forthcoming in ACM Journal on Responsible Computing

Journal ref ACM J. Responsib. Comput. 3, 1, Article 4 (March 2026)

DrivePTS: A Progressive Learning Framework with Textual and Structural Enhancement for Driving Scene Generation

DrivePTS: 一种结合文本和结构增强的渐进式学习框架用于驾驶场景生成

Zhechao Wang, Yiming Zeng, Lufan Ma, Zeqing Fu, Chen Bai, Ziyao Lin, Cheng Lu

机构 * XPeng Motors 纠错

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

AI总结 DrivePTS通过渐进式学习、多视角文本生成和频率引导结构损失，提升驾驶场景生成的保真度和可控性，生成稀有场景并增强泛化能力。

Structure and Redundancy in Large Language Models: A Spectral Study via Random Matrix Theory

大语言模型的结构与冗余：通过随机矩阵理论的谱研究

Davide Ettori

机构 * Laurea Magistrale in Computer Science Engineering - Ingegneria Informatica（计算机科学工程硕士课程 - 信息工程） 纠错

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

AI总结 本研究通过谱几何和随机矩阵理论，提出EigenTrack用于检测大语言模型幻觉和分布外行为，以及RMT-KD用于压缩深度网络，提升模型可靠性与效率。

Comments Executive Summary of Master Thesis in Computer Science Engineering, Politecnico di Milano

Retrieve and Segment: Are a Few Examples Enough to Bridge the Supervision Gap in Open-Vocabulary Segmentation?

检索与分割：在开放词汇分割中，几个示例是否足以弥合监督差距？

Tilemachos Aravanis, Vladan Stojnić, Bill Psomas, Nikos Komodakis, Giorgos Tolias

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

AI总结 本文提出了一种基于检索增强的测试时间适配器，通过融合文本和视觉支持特征来实现开放词汇分割，有效缩小了零样本与监督分割间的差距。

FactGuard: Agentic Video Misinformation Detection via Reinforcement Learning

FactGuard：通过强化学习进行代理视频虚假信息检测

Zehao Li, Hongwei Yu, Hao Jiang, Qiang Sheng, Yilong Xu, Baolong Bi, Yang Li, Zhenlong Yuan, Yujun Cai, Zhaoqi Wang

机构 * Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学） ； University of Science and Technology Beijing（北京科技大学） ； The University of Queensland, Brisbane, Australia（昆士兰大学） 纠错

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

AI总结 FactGuard通过强化学习和代理框架，提升视频虚假信息检测的鲁棒性和泛化能力。

A Mind Cannot Be Smeared Across Time

意识无法跨越时间被抹平

Michael Timothy Bennett

机构 * Michael Timothy Bennett（独立研究者） 纠错

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

AI总结 作者提出意识统一性需要客观同时实例化，而非时间顺序实现，指出软件意识在严格顺序子系统中无法实现，强调硬件对意识的重要性。

Comments Forthcoming in the proceedings of the AAAI 2026 Spring Symposium on Machine Consciousness: Integrating Theory, Technology, and Philosophy

Deforming Videos to Masks: Flow Matching for Referring Video Segmentation

视频变形到掩码：用于指认视频分割的流匹配

Zanyi Wang, Dengyang Jiang, Liuzhuozheng Li, Sizhe Dang, Chengzu Li, Harry Yang, Guang Dai, Mengmeng Wang, Jingdong Wang

机构 * SGIT AI Lab, State Grid Corporation of China（国网信通研究院） ； University of California, San Diego（加州大学圣地亚哥分校） ； The Hong Kong University of Science and Technology（香港科技大学） ； The University of Tokyo（东京大学） ； University of Cambridge（剑桥大学） ； Zhejiang University of Technology（浙江工业大学） ； Baidu（百度） 纠错

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

AI总结 本文提出FlowRVS框架，将指认视频分割视为条件连续流问题，通过学习视频整体表示到目标掩码的直接语言引导变形，在多个基准上取得新突破。

Comparative Analysis of Neural Retriever-Reranker Pipelines for Retrieval-Augmented Generation over Knowledge Graphs in E-commerce Applications

电商应用场景下知识图谱检索增强生成中神经检索-排序流水线的比较分析

Teri Rumble, Zbyněk Gazdík, Javad Zarrin, Jagdeep Ahluwalia

机构 * Abertay University（阿伯泰大学） 纠错

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

AI总结 本文研究电商场景下知识图谱检索增强生成中神经检索-排序流水线的设计与比较，通过实验验证了优化配置在提升检索性能上的有效性。

Comments This manuscript is under review at the Springer journal Knowledge and Information Systems

Solaris: Building a Multiplayer Video World Model in Minecraft

Solaris：在Minecraft中构建多玩家视频世界模型

Georgy Savva, Oscar Michel, Daohan Lu, Suppakit Waiwitlikhit, Timothy Meehan, Dhairya Mishra, Srivats Poddar, Jack Lu, Saining Xie

机构 * New York University（纽约大学） 纠错

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

AI总结 Solaris通过多玩家数据系统和分阶段训练方法，在Minecraft中构建了能模拟多视角观测的视频世界模型，提升了多代理交互的建模能力。

Comments Project website: https://solaris-wm.github.io/

CiteLLM: An Agentic Platform for Trustworthy Scientific Reference Discovery

CiteLLM：一个用于可信科学引文发现的代理平台

Mengze Hong, Di Jiang, Chen Jason Zhang, Zichang Guo, Yawen Li, Jun Chen, Shaobo Cui, Zhiyang Su

机构 * Hong Kong Polytechnic University（香港理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Swiss Federal Technology Institute of Lausanne (EPFL)（洛桑联邦理工学院） ； Hong Kong University of Science and Technology (HKUST)（香港科学大学） 纠错

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

AI总结 CiteLLM通过在LaTeX编辑器中嵌入LLM工具，实现可信的科学引文发现，确保引文的准确性和可靠性。

Comments Accepted by TheWebConf 2026 Demo Track

Rethinking the Practicality of Vision-language-action Model: A Comprehensive Benchmark and An Improved Baseline

重新审视视觉-语言-动作模型的实用性：一个全面的基准和一个改进的基线

Wenxuan Song, Jiayi Chen, Xiaoquan Sun, Huashuo Lei, Yikai Qin, Wei Zhao, Pengxiang Ding, Han Zhao, Tongxin Wang, Pengxu Hou, Zhide Zhong, Haodong Yan, Donglin Wang, Jun Ma, Haoang Li

机构 * OpenHelix-Team（OpenHelix团队） 纠错

专题命中 GUI与屏幕智能体 ：VLM(abstract)；LLaVA(abstract)

AI总结 本文提出CEbench基准和LLaVA-VLA模型，通过轻量级设计和两阶段训练提升视觉-语言-动作模型的实用性，实现在消费级GPU上的实际应用。

Comments Accepted by ICRA 2026