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。
具有上下文意识的钓鱼攻击：通过公共社交媒体数据利用生成式AI对个人进行攻击
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文研究了如何利用公开社交媒体数据和生成式AI自动化并扩大针对个人的个性化、上下文感知的钓鱼攻击。通过模块化框架结合多模态信号提取、沟通风格分析和攻击类型实例化，展示了七种攻击策略，并通过大规模多模型评估验证了生成式AI邮件在个性化、上下文相关性和说服力方面的优势。
面向预测的高斯点散布用于语言引导的抓取与放置操作中的预测3D表示
机构 * KTH Royal Institute of Technology（皇家理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出Forecast-GS框架，通过预测3D状态提升语言引导的机器人操作性能，实验显示其在抓取与放置任务中优于基线方法，表明明确预测任务完成状态有助于更可靠的行动评估。
Vision2Code：一个多领域评估图像到代码生成的基准
机构 * Duke University（杜克大学）
专题命中 文档图表理解 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.LG
AI总结 Vision2Code提出一个无需参考代码的多领域图像到代码生成评估框架，通过2169个测试示例评估模型生成代码的质量，发现性能依赖于领域，且通过筛选器的模型输出可提升生成能力。
Comments Project page: https://image2code.github.io/vision2code/
解释情境感知的人类偏好以实现多目标机器人导航
机构 * Hochschule Bonn-Rhein-Sieg, Germany（波恩-莱茵-锡格应用科学大学，德国） ； University of Bonn, Germany（波恩大学，德国） ； Lamarr Institute for Machine Learning and Artificial Intelligence, Germany（拉马尔机器学习与人工智能研究所，德国）
专题命中 GUI与屏幕智能体 ：VLM(abstract,abstract_cn)；vision-language model(abstract)
AI总结 本文提出一种结合基础模型与多目标强化学习政策的框架，使机器人能理解并应用情境依赖的导航偏好，提升在共享人类环境中的适应性、透明性和可用性。
通过关系感知视觉增强缓解LVLM中的动作关系幻觉
机构 * Tongji University（同济大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出通过关系感知视觉增强方法，缓解LVLM中动作关系幻觉问题，通过提升模型对关键视觉区域的关注度，有效减少幻觉并泛化至其他关系幻觉。
Floorplan2Guide: 基于LLM的BLV室内导航floorplan解析
机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）
专题命中 GUI与屏幕智能体 ：visual reasoning(abstract)；分类 cs.AI
AI总结 本文提出利用基础模型将floor plan转化为可导航的知识图谱，并生成可读的导航指令，通过LLM提取空间信息，提升BLV用户室内导航的精度与安全性。
Comments Accepted for publication in the proceedings of the IEEE International Conference on Big Data (IEEE BigData 2025)
Journal ref IEEE International Conference on Big Data (IEEE BigData 2025), pp. 7477-7485
指令透镜分数：您的指令为多模态大语言模型提供了一个强大的对象幻觉检测器
机构 * School of Computer Science and Engineering, Sun Yat-sen University, Guangzhou, China（中山大学计算机科学与工程学院，广州，中国） ； Peng Cheng Laboratory, Shenzhen, China（鹏城实验室，深圳，中国） ； Key Laboratory of Machine Intelligence and Advanced Computing, MOE, Guangzhou, China（机器智能与高级计算关键实验室，教育部，广州，中国）
专题命中 幻觉与鲁棒性 ：multimodal large language model(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.LG
AI总结 本文提出InsLen，通过结合校准局部分数和上下文一致性分数，有效检测多模态大语言模型中的对象幻觉，无需额外训练或辅助模型。
Comments Accepted by ICML-2026
基于大语言模型的非塔台机场飞行安全评估自动化方法研究
机构 * Research Intern, Department of Mechanical and Aerospace Engineering, George Washington University（乔治华盛顿大学机械与航空航天工程系研究实习生） ； Ph.D. Student, Department of Mechanical and Aerospace Engineering, George Washington University（乔治华盛顿大学机械与航空航天工程系博士生） ； Undergraduate Student, Aerospace Program, University of California, Berkeley（加州大学伯克利分校航空航天项目本科生） ； Full Professor, Department of Electrical Engineering and Computer Science, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系教授） ； Ph.D. Student, Department of Computer Science, George Washington University（乔治华盛顿大学计算机科学系博士生） ； Associate Professor, Department of Mechanical and Aerospace Engineering, George Washington University（乔治华盛顿大学机械与航空航天工程系副教授）
专题命中 幻觉与鲁棒性 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.AI
AI总结 本文提出利用视觉语言模型分析非塔台机场CTAF通讯、气象数据和飞行轨迹，通过实证研究和合成数据验证，展示框架在识别飞行冲突中的有效性，表明VLM在非塔台机场安全评估中的潜力。
Comments 25 pages, 17 figures, 5 tables, Accepted to AIAA 2026
同鸟同群：通过VLMs中的线性结构实现背景不变表示
机构 * Independent Researcher（独立研究者）
专题命中 幻觉与鲁棒性 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文通过VLMs嵌入空间的高线性可加性，提出一种利用合成数据构建背景不变表示的方法，实现了Waterbirds数据集上90%以上的最差组准确率，并展示了良好的仿真到现实迁移能力。
Comments 36 pages, 7 figures
不要看数字：视觉锚定偏差与视觉语言模型中的分层表示
机构 * M. Shalankin
专题命中 幻觉与鲁棒性 ：VLM(summary_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 研究揭示视觉锚定对VLM性能评估的系统性偏差，通过分层分析发现不同层的表示差异及架构依赖的融合机制。
当观察不足时：视觉注意结构揭示大语言模型中的幻觉
机构 * Thrust of Artificial Intelligence, HKUST (Guangzhou)（人工智能前沿 thrust，香港科技大学（广州）） ； Department of Computer Science and Engineering, HKUST（计算机科学与工程系，香港科技大学）
专题命中 幻觉与鲁棒性 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文通过分析视觉注意的高频结构揭示大语言模型中的幻觉现象，提出LaSCD解码策略，有效减少幻觉并保持模型能力。
MolDeTox：评估语言模型的逐步片段编辑用于分子去毒化
机构 * Korea University（韩国大学） ； Myongji University（明知大学） ； AIGEN Sciences（AIGEN科技公司）
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MolDeTox基准，用于评估语言模型在分子去毒化中的逐步片段编辑能力，通过细粒度评估提升分子结构有效性与生成质量。
MM-OptBench：一种面向多模态优化建模的求解器导向基准
机构 * Great Bay University（大湾大学） ； Leiden University（莱顿大学） ； Rensselaer Polytechnic Institute（伦塞拉尔理工学院） ； Peking University（北京大学）
专题命中 幻觉与鲁棒性 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出MM-OptBench，一个基于求解器的多模态优化建模基准，通过文本和视觉信息生成数学模型和求解器代码，评估9种多模态大语言模型在不同难度实例上的表现，结果显示任务仍远未解决。
Comments Paper under review
持久且可对话的多方法可解释性用于可信金融AI
机构 * University of Piraeus, Greece（希腊比雷埃克斯大学） ； ExpertAI-Lux S.à r.l（ExpertAI-Lux公司）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出一种用于金融情感分析的以人为中心的可解释AI架构，结合持久化存储、多方法解释三角验证和自动化评估，提升金融AI的可信度和可解释性。
Comments 5 pages
Logit-Attention Divergence：通过注意力引导的校准缓解多图像检索中的位置偏差
机构 * Zhiyuan College, Shanghai Jiao Tong University, Shanghai, China（上海交通大学紫阳学院） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院）
专题命中 幻觉与鲁棒性 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出一种无需训练的注意力引导去偏框架，通过利用内在注意力信号在推理时进行实例级校正，显著提升排列不变性并取得最佳性能。
DeconDTN-Toolkit：一个用于评估和增强对溯源转移鲁棒性的工具包
机构 * University of Washington（华盛顿大学） ； University of Minnesota（明尼苏达大学）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；分类 cs.LG
AI总结 本文提出DeconDTN-Toolkit，通过模拟不同程度的溯源转移，评估和增强模型对溯源转移的鲁棒性，揭示经验风险最小化方法的脆弱性，并提供理论和实用工具以应对溯源混淆问题。
Comments Accepted to CHIL 2026
探测音频-视觉大语言模型中的跨模态信息枢纽
机构 * Department of Electrical Engineering, Korea Advanced Institute of Science ； The Graduate School of Advanced Imaging Science, Multimedia \& Film, Chung-Ang University, Seoul, Republic of Korea
专题命中 幻觉与鲁棒性 ：vision language model(abstract)；分类 cs.AI
AI总结 本文研究了音频-视觉大语言模型中音频与视觉模态间的跨模态信息流动，发现信息主要存储在sink tokens中，并提出一种无需训练的hallucination缓解方法。
Comments Accepted by ICML 2026
面向安全的语言理解系统在空交通管制中的评估
机构 * ATMRI, Nanyang Technological University (NTU), Singapore（航空交通管理研究所，南洋理工大学（NTU），新加坡） ； School of Management, Indian Institute of Technology Mandi, India（管理学院，印度理工学院曼迪分校，印度） ； Centre of AI Research, VinUniversity, Vietnam（人工智能研究中心，文大学，越南）
专题命中 幻觉与鲁棒性 ：grounding(abstract)
AI总结 本文提出面向安全的评估框架，揭示现有LLM在空交通管制中的可靠性不足，指出需建立后果意识的评估协议以确保AI辅助系统的安全部署。
面向长尾泛化的眼视觉-语言模型集群感知神经崩溃提示微调
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； The Hong Kong Polytechnic University（香港理工大学） ； Macao Polytechnic University（澳门理工学院） ； Zhejiang Provincial Key Laboratory of Low Altitude Ubiquitous Networking Technology, HDU（浙江省低空 ubiquitous 网络技术重点实验室，HDU）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出集群感知神经崩溃提示微调方法，通过优化提示微调视觉-语言模型的长尾类判别能力，提升模型在类别不平衡数据集上的泛化性能。
MotionBench: 视觉语言模型视频细粒度运动理解的基准测试与改进
机构 * Tsinghua University（清华大学） ； Zhipu AI（智谱AI）
专题命中 VLM训练与架构 ：vision language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 MotionBench针对视觉语言模型在细粒度视频运动理解方面的不足，提出综合评估基准，通过六类运动导向问题类型评估模型运动层面感知能力，并提出Through-Encoder融合方法提升模型对有限序列长度内细粒度运动的感知。
Comments 20 pages
回望过去：利用视觉语言模型从热迹中进行时间反转场景重建
机构 * Physics School, Universidad Industrial de Santander, Colombia（圣安德烈大学物理系，哥伦比亚） ； Department of Computer Science, Universidad Industrial de Santander, Colombia（圣安德烈大学计算机科学系，哥伦比亚） ； GIPSA-Lab, Université Grenoble Alpes, CNRS, Grenoble INP, Grenoble, France（格拉斯实验室，格勒诺布尔阿尔卑斯大学，CNRS，格勒诺布尔INP，法国） ； Institut Universitaire de France (IUF), France（法国国家科学院（IUF））
专题命中 VLM训练与架构 ：visual language model(title)；VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出利用视觉语言模型和约束扩散过程，从热迹中恢复过去几秒钟的场景状态，展示了时间反转成像的可行性。
SafeSteer: 多模态大语言模型中的解码级防御机制
机构 * Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Kuaishou Technology（快手科技） ； School of Computer Science and Technology, Beihang University（北航计算机科学与技术学院） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Chongqing University（重庆大学） ； Wuhan University（武汉大学）
专题命中 VLM训练与架构 ：multimodal large language model(title,abstract)；分类 cs.AI
AI总结 本文提出SafeSteer，通过解码阶段的轻量探针和模态语义对齐向量，提升多模态大语言模型的安全性，实验表明其能提升33.40%的安全性而不需微调。
LucidFlux：一种无需图像描述的高质量图像修复方法
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 LucidFlux通过大规模扩散变压器实现无描述图像修复，引入轻量双分支条件器和自适应调制方案，提升几何精度与纹理恢复，优于开源和商业基线。
Comments Project Page: https://w2genai-lab.github.io/LucidFlux
超越文本的衡量：通过质量、对齐和多样性评估多模态摘要
机构 * School of Computing, Macquarie University（麦考瑞大学计算学院）
专题命中 VLM训练与架构 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出MM-Eval框架，整合文本质量、跨模态对齐和视觉多样性评估，通过学习聚合模型优化多模态摘要的综合评价，揭示事实一致性对整体质量的关键作用。
Comments Accepted to Findings of ACL 2026
LDDR：基于线性DPP的动态分辨率帧采样用于视频MLLMs
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Individual Researcher（个人研究员） ； National University Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Duke University（杜克大学）
专题命中 VLM训练与架构 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出LDDR框架，通过任务条件特征空间中查询感知的DPP帧选择，在有限视觉token预算下提升视频理解，实现3倍速度提升，并通过组DPP重要性度量动态分配分辨率，优于现有基线方法。
Comments 21 pages, 4 figures
基于视觉语言模型的指令视频多模态抽象摘要
机构 * Beihang University, Beijing, China（北航大学，北京，中国） ； University of Verona, Italy（威尼斯大学，意大利）
专题命中 VLM训练与架构 ：vision-language model(title)；分类 cs.CV
AI总结 本文提出ClipSum框架，利用冻结的CLIP视觉语言特征进行指令视频摘要，通过显式时间建模和维度自适应融合，实现视觉与语言的语义对齐，实验显示其在YouCook2数据集上表现优于传统方法。
Comments Accepted to ICPR 2026
基于代理的农业产量预测事后修正
机构 * School of Natural and Computing Sciences（自然与计算科学学院） ； University of Aberdeen（阿伯丁大学） ； School of Computing Sciences（计算科学学院） ； University of East Anglia（东安格利亚大学） ； Department of Physics and Technology（物理与技术系） ； UiT The Arctic University of Norway（北欧大学（UiT））
专题命中 VLM训练与架构 ：LLaVA(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 本文提出一种结构化的LLM代理框架，用于事后修正现有模型预测，通过编码农业领域知识提升预测准确性，在草莓和玉米数据集上显著降低MAE和MASE。
Comments 21 pages, 6 figures, 6 tables
非常高效的长文档多模态重排序方法
机构 * Magellan Technology Research Institute (MTRI)（马杰拉技术研究院（MTRI））
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出ZipRerank，通过轻量级查询-图像早期交互机制和单次前向传递消除自回归解码，实现高效多模态重排序，实验表明其在MMDocIR基准上性能优异且显著降低LLM推理延迟。
Comments To appear in ICML 2026
AIA: 重新思考统一多模态模型中的架构解耦策略
机构 * MMLab, CUHK（CUHK多媒体实验室） ； Meituan（美团） ； USTC（中国科学技术大学） ； TJU（天津大学）
专题命中 VLM训练与架构 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出AIA损失函数，通过学习任务特定的多模态交互模式，缓解任务冲突而不依赖模型解耦，提升生成与理解性能。
Comments Project page: https://zhengdian1.github.io/AIA-project/ Code: https://github.com/zhengdian1/AIA
ForceFlow: 通过接触驱动的流匹配学习感知与行动
机构 * Tianjin University（天津大学） ； Huawei Noah's Ark Lab（华为诺亚实验室） ； Shanghai AI Lab（上海人工智能实验室）
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出ForceFlow框架，通过融合力信号与多模态信息，提升机器人在复杂接触任务中的鲁棒性和泛化能力，实验显示其在六个真实任务中成功率提升37%。
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