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。
解锁基于UML类图理解的视觉语言模型
机构 * Hof University of Applied Sciences（霍夫应用科学大学）
专题命中 视觉问答 ：vision language model(title,abstract)；VLM(abstract)；visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一个基于UML类图的视觉问答基准，构建了16000个图像-问题-答案三元组，并展示LoRA微调方法在视觉语言模型中的优越表现。
DarkQA：在低光室内场景中对视觉-原始问题进行问答的视觉语言模型基准测试
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Pohang University of Science and Technology (POSTECH)（釜山科学技术大学）
专题命中 视觉问答 ：vision-language model(title)；vision language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 DarkQA针对低光环境下视觉语言模型的感知基本能力进行基准测试，通过多级低光条件评估，揭示模型在复杂任务中的局限性。
Comments This work has been submitted to the IEEE for possible publication
面向低视力人群的基于VQA的事件地图城市风险感知导航
机构 * Institut de Robòtica i Informàtica Industrial, CSIC-UPC（机器人与信息技术研究所，CSIC-UPC）
专题命中 视觉问答 ：LLaVA(abstract,abstract_cn)；vision-language model(abstract)；visual question answering(abstract)；multimodal large language model(abstract)
AI总结 本文提出基于视觉问答的事件地图框架，利用视觉语言模型进行行人场景描述和危险识别，通过三级查询结构实现细粒度场景理解，生成风险感知导航地图，验证多模态大语言模型在助视导航中的有效性。
Comments 10 pages, 6 figures, submitted to IEEE T-ITS
Instruct-ICL：基于指令的上下文学习用于灾后损害评估
专题命中 视觉问答 ：MLLM(abstract,abstract_cn)；visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出Instruct-ICL方法，通过指令引导的上下文学习提升预训练多模态大语言模型在灾后视觉问答中的可靠性，实验表明结合CoT推理能显著提高回答准确性。
Comments Accepted by the 2026 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2026)
LatentRouter: 在看到答案之前，我们能否选择合适的多模态模型？
机构 * Department of Computer Science（计算机科学系）
专题命中 视觉问答 ：MLLM(abstract,abstract_cn)；visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 LatentRouter通过多模态效用预测实现多模态大语言模型的路由，通过隐式通信和胶囊修正提升模型选择准确性，在MMR-Bench和VL-RouterBench实验中优于基线方法。
多模态大语言模型的模态不一致持续学习
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Carnegie Mellon University（卡内基梅隆大学） ； George Mason University（乔治·梅森大学）
专题命中 视觉问答 ：multimodal large language model(title,abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出MICL，一种针对多模态大语言模型的持续学习场景，涉及不一致的模态和变化的任务类型。通过伪目标生成模块和基于指令的知识蒸馏，解决任务类型转移导致的遗忘问题，实验验证了方法的有效性。
Comments Accepted at Transactions on Machine Learning Research (TMLR), 2026
BenchCAD: 一个全面的、行业标准的程序化CAD基准测试
机构 * University of Virginia（弗吉尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Rice University（莱斯大学）
专题命中 视觉问答 ：visual question answering(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 BenchCAD通过视觉问答、代码问答、图像到代码生成和指令引导的代码编辑评估模型，发现当前系统在生成精确参数化CAD程序方面存在不足，需进一步改进工业应用能力。
Comments 9 page 7 figures
从网络到像素：将代理搜索引入视觉感知
机构 * Deep Research
专题命中 视觉问答 ：grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出感知深度研究，引入WebEye基准，通过代理搜索到像素的工作流程，解决隐藏目标身份并绑定到框、掩码或 grounded 答案，实验显示其在三个任务视图中表现最佳。
Comments Project page: https://pixel-searcher.github.io/
BARISTA：一种多任务第一人称视角基准，用于组合视觉理解
机构 * Ramblr.ai Research（Ramblr.ai 研究院） ； Technical University of Clausthal（Clausthal 技术大学）
专题命中 视觉问答 ：visual question answering(abstract)；grounding(abstract)；分类 cs.CV
AI总结 BARISTA通过185个真实世界咖啡制作视频，提供密集标注的数据集，涵盖全自动、手冲和胶囊式流程，用于评估场景理解中的多任务能力，揭示任务家族间强变化及无主导模型家族。
KEPO：基于知识的偏好优化用于多模态推理及其在医学VQA中的应用
机构 * Chapman University（查普曼大学） ； Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室） ； University of California, Irvine（加州大学伊文斯分校）
专题命中 视觉问答 ：vision-language model(abstract)；visual question answering(abstract)；分类 cs.AI
AI总结 KEPO通过质量门控的在线蒸馏和知识增强的探索策略，提升多模态推理任务的训练稳定性与推理一致性，优于强化学习和在线蒸馏基线。
OTT-Vid: 基于最优传输的视频大语言模型时间令牌压缩
机构 * Yonsei University（延世大学） ； LG Electronics（LG电子） ； KIST（韩国科学技术院）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 OTT-Vid通过结合空间修剪和最优传输，有效压缩视频令牌，保持高性能，实验显示在保留10%令牌的情况下，VQA和VTG性能分别达到95.8%和73.9%。
Comments 22pages, 9 figures. Code available at https://github.com/minseokii/OTT-Vid
OASIS：一个多语言多模态数据集用于文化导向的语音视觉问答
机构 * Qatar Computing Research Institute（卡塔尔计算研究 institute）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.AI
AI总结 OASIS是一个多语言多模态数据集，涵盖图像、文本和语音，旨在评估模型在现实场景中的文化导向推理能力，包含0.92M真实图像和14.8M问答对。
Comments Multimodal Foundation Models, Large Language Models, Native, Multilingual, Language Diversity, Contextual Understanding, Culturally Informed
CoLVR: 通过对比优化增强探索性潜在视觉推理
机构 * Shandong University（山东大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanjing University（南京大学） ； The University of Hong Kong（香港大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 CoLVR通过引入潜在对比训练框架，利用角度扰动引导学习多样化且探索性的表示，提升潜在视觉推理的探索能力，在VSP和Jigsaw任务中分别提升5.83%和8.00%。
PRISM：在模拟的具身环境中进行规划与意图推理
机构 * A*STAR ； National University of Singapore（国立新加坡大学） ； BAAI（北京人工智能研究院）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；grounding(abstract,abstract_cn)
AI总结 PRISM通过诊断性基准测试识别具身代理失败的根源，通过三个能力层级评估基本能力、推理能力和长周期能力，揭示不同模型在空间定位、意图解析和长周期协调上的性能差异。
减少冗余：提升视觉语言模型在行走助手中的实用性
机构 * Pattern Recognition Center, WeChat AI, Tencent Inc（腾讯人工智能研究院）
专题命中 视觉推理 ：vision language model(title)；visual language model(abstract)
AI总结 本文提出WalkVLM-LR模型，通过优化输出和时间冗余，提升视觉语言模型在行走助手中的实用性，实验表明其在输出简洁性和时间冗余方面表现优异。
Comments ICASSP 2026 Best Industry Paper
思考，然后评分：视频奖励建模中的解耦推理与评分
机构 * University of Science and Technology of China（中国科学技术大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出DeScore模型，通过解耦推理与评分机制提升视频奖励建模的泛化能力，结合冷启动和强化学习优化，实现更稳定的性能。
B4DL：用于空间时间理解的4D激光雷达LLM基准
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出B4DL基准，用于训练和评估多模态大语言模型对4D激光雷达数据的理解，结合可扩展的数据生成管道和新模型，实现动态户外环境的空间时间推理。
Comments Accepted at ACM MM 2025
AlphaGRPO：通过分解性可验证奖励解锁UMMs中的自反思多模态生成
机构 * The University of Hong Kong（香港大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 AlphaGRPO通过分解性可验证奖励提升多模态生成能力，实现文本到图像生成和自反思修正，验证了自反思强化方法在生成高质量输出中的有效性。
Comments ICML2026
IGV-RRT：面向动态环境主动目标搜索的先验-实时观测融合
机构 * The School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学） ； Department of Data and Systems Engineering, HKU（数据与系统工程系，香港大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision language model(abstract)
AI总结 本文提出IGV-RRT框架，结合先验场景知识与实时目标相关性估计，通过双层语义映射模块和实时规划器提升动态环境中目标搜索效率。
GeoR-Bench：评估地质学视觉推理
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing University of Technology（北京理工大学）
专题命中 视觉推理 ：visual reasoning(title)；分类 cs.CV
AI总结 GeoR-Bench通过推理引导的视觉编辑任务评估地质学视觉推理，包含440个样本涵盖6类地质学领域和24种任务类型，揭示地质学推理仍是关键瓶颈。
SpatialForge: 从开放世界2D图像中提升3D感知空间推理
机构 * Lingnan University（岭南大学） ； XPENG Robotics（小鹏机器人）
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SpatialForge，通过大规模合成数据提升空间推理能力，构建了包含1000万对空间问答的大型数据集，验证了2D数据扩展对3D空间推理的有效性。
UniVLR: 统一文本与视觉的视觉潜在推理用于多模态大语言模型
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； Zhongguancun Academy（中关村学院）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 UniVLR提出一种统一的视觉潜在推理框架，将文本推理和辅助视觉证据视为共享的视觉工作空间，通过压缩统一表示提升多模态大语言模型的视觉推理效率。
多模态大语言模型中的视觉对齐潜在推理
机构 * Byungwoo Jeon ； Yoonwoo Jeong ； Hyunseok Lee ； Minsu Cho ； Jinwoo Shin
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出视觉对齐潜在推理框架，通过动态生成视觉对齐的潜在标记，提升多模态大语言模型在长上下文理解和精确视觉感知任务中的表现。
Comments Published as conference proceeding for ICML 2026. Last two authors advised equally
CheXTemporal：用于胸部X光影像中时间感知推理的数据集
机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； HOPPR ； University Hospital Zurich（苏黎世大学医院）
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 该研究提出CheXTemporal数据集，用于胸部X光影像中时间感知推理，包含前后X光片及时间空间标注，评估了多种视觉语言模型在零样本设定下的接地和进展分类任务，发现模型在空间接地和时间推理方面存在局限。
具有90万规模日本全国学业能力评估学生响应分布的多模态基准
机构 * Osaka Kyoiku University（大阪教养大学） ； University of Tokyo（东京大学） ； NII LLMC（日本国家信息与通信技术研究所大语言模型中心）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)
AI总结 本文提出一个基于日本全国学业能力评估的多模态数据集，包含真实考试布局、图表和教育文本，用于评估多模态大语言模型的性能，通过精确匹配准确率和字符级F1分数分析不同学科间的差异。
学会思考：通过视觉感知的自我改进训练提升多模态推理
机构 * School of Computer Science, National Engineering Research Center for Multimedia Software, Institute of Artificial Intelligence（计算机学院、多媒体软件国家工程研究中心、人工智能研究院） ； Hubei Key Laboratory of Multimedia（湖北多媒体重点实验室） ； Network Communication Engineering, Wuhan University, China（网络通信工程、武汉大学，中国） ； The University of Sydney, Australia（悉尼大学，澳大利亚） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出VISTA框架，通过视觉感知的自我改进训练提升多模态推理能力，解决数据不平衡和语言先验偏差问题，实验显示在多种训练场景下提升性能。
Comments Accepted by ICML 2026
SeePhys Pro：多模态RLVR中模态迁移和盲训练效应的诊断
机构 * Sun Yat-sen University（中山大学） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世人工智能中心） ； Huawei Technologies Ltd（华为技术有限公司）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 SeePhys Pro研究多模态RLVR中模态迁移对物理推理的影响，发现当前模型在信息从语言迁移到图像时表现下降，盲训练可提升性能，但依赖残余文本和分布特征而非有效视觉证据。
视觉增强深度缩放用于多模态潜在推理
机构 * Beijing Institute of Technology（北京理工大学） ； AMAP, Alibaba Group（阿里集团AMAP） ； City University of Hong Kong（香港城市大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Yangtze Delta Region Academy of Beijing Institude of Technology, Jiaxing, China（北京理工大学扬子江地区学院，嘉兴，中国）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出视觉回放模块和路由深度缩放，通过增强视觉感知和细化复杂潜在表示，提升多模态潜在推理的效率与性能。
Comments 11 pages, 6 figures
大语言模型代理能否应对灾难？评估异构地理空间推理在紧急行动中的基准测试
机构 * The University of Tokyo（东京大学） ； RIKEN AIP（理化学研究所AIP） ； Waseda University（早稻田大学） ； Stanford University（斯坦福大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出DORA基准测试，评估大语言模型在灾难响应中的端到端流程，揭示了灾难领域接地、工具选择瓶颈和组合脆弱性等挑战。
Comments DORA stress-tests LLM agents on real-world disaster operations that demand comprehensive orchestration of 108 specialized tools over heterogeneous geospatial data
OmniThoughtVis: 一种可扩展的蒸馏流水线，用于可部署的多模态推理模型
机构 * Alibaba Group（阿里巴巴集团）
专题命中 视觉推理 ：multimodal large language model(abstract)
AI总结 本文提出OmniThoughtVis流水线，通过大规模多模态Co T监督将高容量教师模型的推理能力转移到小型部署模型，实现了在多个基准上的性能提升。
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