Multi-Sourced, Multi-Agent Evidence Retrieval for Fact-Checking
多源多智能体证据检索用于事实核查
机构 * The University of Melbourne（墨尔本大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 WKGFC通过多智能体证据检索和知识图谱增强，提升事实核查的准确性和鲁棒性。
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。
1. 视觉定位与Grounding 43 篇
Geodesic Prototype Matching via Diffusion Maps for Interpretable Fine-Grained Recognition
通过扩散映射的测地原型匹配用于可解释的细粒度识别
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Zhejiang University（浙江大学） ； Shenzhen Research Institute of Big Data（深圳大数据研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出通过扩散映射的测地原型匹配方法，用于可解释的细粒度识别，通过内在几何结构提升原型的语义对应性。
Comments The paper has been accepted by ICASSP 2026
FiLo++: Zero-/Few-Shot Anomaly Detection by Fused Fine-Grained Descriptions and Deformable Localization
FiLo++: 通过融合细粒度描述和变形定位实现零/少样本异常检测
机构 * Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（基础模型研究中心，自动化研究所，中国科学院） ； School of Artifcial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Wuhan AI Research（武汉AI研究所） ； Peng Cheng Laboratory（鹏城实验室） ； Guangdong Provincial Key Laboratory of Intellectual Property & Big Data, Guangdong Polytechnic Normal University（广东省知识产权与大数据重点实验室，广东工业大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 FiLo++通过融合细粒度描述和变形定位技术，提升零/少样本异常检测的准确性和鲁棒性。
BiCLIP: Bidirectional and Consistent Language-Image Processing for Robust Medical Image Segmentation
BiCLIP: 用于鲁棒医学图像分割的双向和一致语言-图像处理
机构 * Department of Computer Engineering, University of Kurdistan, Iran（伊朗库尔德大学计算机工程系） ； Artificial Intelligence and Innovation Centre, University of Kurdistan, Erbil, Iraq（伊拉克埃尔比尔库尔德大学人工智能与创新中心） ； College of Information Technology, United Arab Emirates University, UAE（阿联酋大学信息科技学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 BiCLIP通过双向多模态融合和一致性目标提升医学图像分割的鲁棒性，有效应对标注稀少和临床伪影挑战。
Profiling vs. Case-specific Evidence: A Probabilistic Analysis
案件 profiling 与个案证据：一种概率分析
机构 * Arizona State University（亚利桑那州立大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本文通过概率分析探讨了 profiling 证据与个案证据的区别，指出 profiling 证据不能直接证明被告具体罪行，挑战了其在刑事审判中的有效性。
Comments 16 pages
LongRLVR: Long-Context Reinforcement Learning Requires Verifiable Context Rewards
长上下文强化学习需要可验证的上下文奖励
机构 * National University of Singapore（国立新加坡大学） ； MiroMind AI ； absolute AI
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 LongRLVR通过引入可验证的上下文奖励，解决长上下文强化学习中因稀疏奖励导致的梯度消失问题，显著提升大语言模型的推理能力。
Comments ICLR 2026
Hidden-Role Games: Equilibrium Concepts and Computation
隐性角色游戏：均衡概念与计算
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出隐性角色游戏的均衡定义，揭示其计算复杂性，并通过实验验证了在大规模实例中的计算可行性。
Production-Grade AI Coding System for Client-Side Development
面向客户端开发的生产级AI编码系统
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出了一种面向客户端开发的生产级AI编码系统，通过结构化多阶段流程整合Figma设计、PRD和领域知识，提升代码生成与产品需求的对齐性。
Comments 18 pages, 2 figures
LaSTR: Language-Driven Time-Series Segment Retrieval
LaSTR：基于语言的时间序列片段检索
机构 * Research（研究） ； Development Group, Hitachi, Ltd.（日立有限公司研发小组）
专题命中 视觉定位与Grounding ：VLM(abstract)
AI总结 LaSTR通过结合语言描述和时间序列数据，实现了高效的时间序列片段检索，提升了检索质量和语义一致性。
From Literature to Hypotheses: An AI Co-Scientist System for Biomarker-Guided Drug Combination Hypothesis Generation
从文献到假设：一种用于生物标志物引导的药物组合假设生成的AI合作者系统
机构 * Peter L. Reichertz Institute for Medical Informatics (PLRI), Hannover Medical School（汉诺威医学院彼得·L·里赫茨医学信息学研究所） ； Lower Saxony Center for Artificial Intelligence and Causal Methods in Medicine (CAIMed)（下萨克森医学人工智能与因果方法中心） ； Sanford Burnham Prebys (SBP) Medical Discovery Institute, San Diego（圣地亚哥桑福尔德·伯恩斯医学发现研究所）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出 AI 合作者系统 CoDHy，通过整合生物医学知识图谱和文献证据，实现基于生物标志物的药物组合假设生成与验证。
2. 文档图表理解 4 篇
What Do Visual Tokens Really Encode? Uncovering Sparsity and Redundancy in Multimodal Large Language Models
视觉标记究竟编码了什么？揭示多模态大语言模型中的稀疏性与冗余性
机构 * Institute of Digital Twin, Eastern Institute of Technology（数字孪生研究所，东部技术研究所） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative（宁波空间智能与数字衍生关键实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 文档图表理解 ：multimodal large language model(title,abstract)；MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 本研究揭示多模态大语言模型中视觉标记的稀疏性与冗余性，通过EmbedLens工具发现活跃标记在进入模型前已编码细粒度信息，并提出中层注入方法提升效率。
Comments Accepted by CVPR2026
FireRed-OCR Technical Report
FireRed-OCR 技术报告
机构 * Super Intelligence Team（超级智能团队） ； Xiaohongshu Inc（小红书公司）
专题命中 文档图表理解 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV
AI总结 FireRed-OCR 通过三阶段渐进训练策略，将通用 VLM 转化为高精度结构文档解析专家，实现 OCR 领域的突破性性能。
VisJudge-Bench: Aesthetics and Quality Assessment of Visualizations
VisJudge-Bench: 可视化美学与质量评估
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； DeepWisdom（深智科技） ； Université de Montréal & Mila（蒙特利尔大学及Mila）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 VisJudge-Bench提出首个可视化质量评估基准，通过VisJudge模型显著提升对可视化美学和质量的判断精度。
Comments 62 pages, 27 figures, 8 tables. Accepted at ICLR 2026
Atomicity for Agents: Exposing, Exploiting, and Mitigating TOCTOU Vulnerabilities in Browser-Use Agents
代理的原子性：揭示、利用和缓解浏览器使用代理中的TOCTOU漏洞
机构 * The Ohio State University（俄亥俄州立大学）
专题命中 文档图表理解 ：vision language model(abstract)；分类 cs.AI
AI总结 本文研究了浏览器使用代理中的TOCTOU漏洞，通过实证研究揭示其普遍存在性，并提出基于预执行验证的轻量级缓解方法。
3. GUI与屏幕智能体 8 篇
Interaction2Code: Benchmarking MLLM-based Interactive Webpage Code Generation from Interactive Prototyping
Interaction2Code: 基于MLLM的交互式网页代码生成基准测试
机构 * The Chinese University of Hong Kong, China（香港中文大学） ； Singapore Management University, Singapore（新加坡管理学院） ； Renmin University of China, China（中国人民大学） ； Tsinghua University, China（清华大学） ； Southwest University, China（西南大学）
专题命中 GUI与屏幕智能体 ：MLLM(title,abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 Interaction2Code提出首个基于MLLM的交互式网页代码生成基准测试，识别MLLM在交互生成中的四个限制并提出四种增强策略。
Comments Published in the Proceedings of the 40th IEEE/ACM International Conference on Automated Software Engineering (ASE 2025)
SSMG-Nav: Enhancing Lifelong Object Navigation with Semantic Skeleton Memory Graph
SSMG-Nav: 通过语义骨架记忆图增强终身物体导航
机构 * Brain-Inspired Application Technology Center (BATC), Shanghai Jiao Tong University（脑启发应用技术中心（BATC），上海交通大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；VLM(abstract)
AI总结 SSMG-Nav通过语义骨架记忆图提升终身物体导航，整合多模态信息与持久记忆，优化路径效率与任务成功率。
Comments Accepted by 2026 ICRA
DAM-VLA: A Dynamic Action Model-Based Vision-Language-Action Framework for Robot Manipulation
DAM-VLA：一种基于动态动作模型的视觉-语言-动作框架，用于机器人操作
机构 * Advanced Research Lab, Samsung R&D Institute China-Beijing (SRCB)（三星研发中心中国北京先进研究实验室） ； Samsung AI Center, DS Division（三星人工智能中心，DS部门） ； Hanyang University ERICA（翰洋大学ERICA）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；VLM(abstract)
AI总结 DAM-VLA提出了一种基于动态动作模型的视觉-语言-动作框架，通过整合视觉语言模型与扩散动作模型，提升机器人在复杂任务中的操作精度和适应性。
Comments Accepted to ICRA2026
Efficient Long-Horizon GUI Agents via Training-Free KV Cache Compression
通过无训练KV缓存压缩实现高效的长周期GUI代理
机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 ST-Lite通过无训练的KV缓存压缩方法，提升GUI代理的解码效率，实现2.45倍加速并保持性能优势。
Neuro-Symbolic Skill Discovery for Conditional Multi-Level Planning
神经符号技能发现用于条件多级规划
机构 * Department of Computer Science and Technology The University of Cambridge（计算机科学与技术系 剑桥大学） ； Department of Computer Engineering Bogazici University（计算机工程系 boazici大学） ； SISREC Osaka University（Osaka大学SISREC）
专题命中 GUI与屏幕智能体 ：visual language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出了一种神经符号学习架构，通过少量演示获取可推广的高级符号技能，并在多级规划中实现复杂任务的执行。
Comments 18 pages, 4 figures
LAD-Drive: Bridging Language and Trajectory with Action-Aware Diffusion Transformers
LAD-Drive: 通过动作感知扩散变换器弥合语言与轨迹
机构 * Institute for Intelligent Systems, Esslingen University of Applied Sciences（智能系统研究所，埃斯林根应用科学大学） ； Department of Computer Science, University of Freiburg（计算机科学系，弗赖堡大学）
专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 LAD-Drive通过动作感知扩散变换器，将语言模型的意图与连续轨迹生成结合，提升自动驾驶中的多模态规划能力。
Fair in Mind, Fair in Action? A Synchronous Benchmark for Understanding and Generation in UMLLMs
公平在心，公平在行？一个用于理解与生成的同步基准：UMLLMs的公平性评估
机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； The Chinese University of Hong Kong（香港中文大学） ； School of Software Technology, Zhejiang University（浙江大学软件学院） ； Ningbo Global Innovation Center, Zhejiang University（浙江大学宁波全球创新中心） ； Collaborative Innovation Center of Novel Software Technology and Industrialization（新型软件技术与产业化协同创新中心）
专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 IRIS基准通过同步评估UMLLMs的理解与生成任务公平性，揭示系统性偏见现象并提供公平性优化指导。
Comments Accepted to ICLR 2026
M$^2$: Dual-Memory Augmentation for Long-Horizon Web Agents via Trajectory Summarization and Insight Retrieval
M$^2$: 通过轨迹摘要和洞察检索实现长 horizon 网络代理的双记忆增强
机构 * Northwestern Polytechnical University, Xi'an, China（西北工业大学） ； AI Business, Alibaba Group, Hangzhou, China（阿里云人工智能业务） ； Xi'an University of Architecture（西安建筑科技大学） ； Zhejiang University, Hangzhou, China（浙江大学）
专题命中 GUI与屏幕智能体 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 M$^2$通过双记忆机制提升长 horizon 网络代理的上下文效率和决策鲁棒性，实现更高成功率和更低计算成本。
4. 幻觉与鲁棒性 9 篇
ViTSP: A Vision Language Models Guided Framework for Solving Large-Scale Traveling Salesman Problems
ViTSP：一种由视觉语言模型引导的解决大规模旅行商问题的框架
专题命中 幻觉与鲁棒性 ：vision language model(title,abstract)；分类 cs.AI
AI总结 ViTSP利用预训练视觉语言模型指导大规模TSP求解，通过识别子问题提升全局解的质量，实验表明其在大规模实例上优于现有方法。
MVR: Multi-view Video Reward Shaping for Reinforcement Learning
MVR：多视图视频奖励塑造用于强化学习
机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 MVR通过多视角视频和视觉语言模型提升强化学习中的奖励塑造，有效解决复杂动态任务中的状态相关性和视角偏见问题。
Comments ICLR 2026
Semantic Similarity is a Spurious Measure of Comic Understanding: Lessons Learned from Hallucinations in a Benchmarking Experiment
语义相似性是漫画理解的虚假度量：来自基准实验中幻觉的教训
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出了一项初步基准测试，评估生成视觉-语言模型在漫画解释任务中的表现，并分析了幻觉现象，强调未来研究中需加强幻觉缓解和数据整理。
Comments 8 pages, 2 figures, 3 tables. Includes link to code
BioCAP: Exploiting Synthetic Captions Beyond Labels in Biological Foundation Models
BioCAP: 利用合成描述性注释超越标签在生物基础模型中的应用
机构 * The Ohio State University（俄亥俄州立大学） ； Duke University（杜克大学） ； Boston University（波士顿大学）
专题命中 幻觉与鲁棒性 ：multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 BioCAP通过生成合成描述性注释提升生物基础模型的性能，实现物种分类和文本-图像检索的高准确率。
Comments ICLR 2026; Project page: https://imageomics.github.io/biocap/
CaptionFool: Universal Image Captioning Model Attacks
CaptionFool: 针对最新Transformer图像描述模型的通用图像描述模型攻击
机构 * Intuit
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 CaptionFool通过修改少量图像块，成功生成任意目标描述，揭示了视觉-语言模型的安全漏洞。
Measuring What VLMs Don't Say: Validation Metrics Hide Clinical Terminology Erasure in Radiology Report Generation
衡量VLMs不表达的内容：验证指标隐藏了放射学报告生成中的临床术语擦除
机构 * DTU Compute, Technical University of Denmark（丹麦技术大学计算机学院）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.AI
AI总结 本文提出临床关联位移（CAD）和加权关联擦除（WAE）指标，用于评估放射学报告生成中临床术语的保留情况，揭示当前验证指标在临床术语擦除方面的不足。
Comments This is an extended version of a manuscript currently under review
Sparse View Distractor-Free Gaussian Splatting
稀疏视角无干扰高斯点云法
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； University of Macau（澳门大学）
专题命中 幻觉与鲁棒性 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出一种基于先验信息的框架，用于提升稀疏视角下无干扰3DGS的性能，通过几何模型和视觉-语言模型增强训练效果。
Structural Hallucination in Large Language Models: A Network-Based Evaluation of Knowledge Organization and Citation Integrity
大语言模型中的结构幻觉：基于网络的对知识组织与引用完整性的评估
专题命中 幻觉与鲁棒性 ：grounding(abstract)
AI总结 本文提出基于网络的结构幻觉压力测试，评估大语言模型在知识组织与引用完整性方面的表现，发现其在不同领域存在显著的结构偏差。
