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。
超越视觉相似度：面向基于知识的视觉问答的实体对齐检索
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； University of Arizona（亚利桑那大学）
专题命中 视觉问答 ：MLLM(summary_cn,abstract)；visual question answering(title,abstract)；分类 cs.CV
AI总结 针对KB-VQA现有检索范式忽略实体语义对齐的缺陷，提出首个MLLM嵌入检索器KBMR，结合语义判别器与连续语义蒸馏目标，在Recall@1和VQA准确率上较CLIP基线实现显著提升。
Comments Accepted by ACM MM 2026
SAFE-G：面向基于知识的视觉问答的结构感知忠实证据引导生成
机构 * State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； University of Science and Technology of China（中国科学技术大学） ； NIO（蔚来）
专题命中 视觉问答 ：visual question answering(title,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对KB-VQA现有方法难以捕捉结构关联、推理不忠实的问题，提出SAFE-G框架，通过混合搜索、图检索与证据对齐RL策略，在两个基准上准确率优于现有方法8.9%、3.5%。
Comments 12 pages, 5 figures
基于结构化上下文推理提升基于知识的视觉问答性能
机构 * School of Computer Science, Guangdong University of Technology（广东工业大学计算机学院） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； Graduate School of Advanced Science and Engineering, Hiroshima University（广岛大学先进科学与工程研究生院）
专题命中 视觉问答 ：visual question answering(title,abstract)；分类 cs.CV
AI总结 本文提出SCoRe框架，通过上下文获取、选择、压缩三阶段处理多模态知识，在OK-VQA和A-OKVQA基准上性能优于现有最优方法，提升了基于知识的视觉问答效果。
Comments Accepted by ICME 2026. Source code is available at this https URL (https://github.com/WISLab-GDUT/SCoRe)
ENCORE：面向鲁棒视觉-语言理解的熵引导裁剪与注意力正则化方法
机构 * Shanghai Jiao Tong University（上海交通大学）
专题命中 视觉问答 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 ENCORE是一个熵引导的视觉-语言理解框架，通过基于熵的裁剪策略和熵正则化训练，仅微调0.14%参数，在10个VQA基准上实现平均1.43%的准确率提升，达到2B参数VLMs的SOTA性能。
分析与缓解多模态医学视觉问答中的跨语言退化问题
机构 * Research Center for Social Computing and Interactive Robotics（社会计算与交互机器人研究中心） ； Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视觉问答 ：vision-language model(abstract)；visual question answering(abstract)；分类 cs.AI
AI总结 针对多模态医学VQA中LVLMs的跨语言退化问题，构建多语言基准并提出MedVL-XLRepE方法，可在3种LVLMs和8种语言上将退化缓解幅度提升至最高6.33%。
Comments EMNLP 2026 main
FashionKG-RAG：面向时尚问答的知识图谱增强检索增强生成
专题命中 视觉问答 ：grounding(abstract,abstract_cn)
AI总结 针对现有时尚知识图谱的局限性，本文提出全领域知识图谱FashionEcoKG，并开发无需训练的PG-RAG框架，通过双粒度路径重排序模块提升时尚问答的检索与答案准确性，效果优于多种基线方法。
OVIBench：面向中断场景的在线视频问答基准测试
机构 * HIT（哈尔滨工业大学） ； CASIA（中国科学院自动化研究所） ； ZJU（浙江大学） ； UESTC（电子科技大学） ； HKUST（香港科技大学）
专题命中 视觉问答 ：vision language model(abstract)；分类 cs.CV、cs.AI
AI总结 该研究针对现有视频问答基准未考虑用户中断的问题，提出首个面向中断场景的在线视频问答基准OVIBench，开发模拟协议与指标集，构建训练集OVI-Train，验证了其有效性。
Comments EMNLP 2026
面向大型语言模型的忠实知识图谱问答的组合式关系链
机构 * Sun Yat-sen University（中山大学）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 本文针对现有基于LLM的KGQA方法存在的实体剪枝不可靠、约束处理无基础的局限，提出组合式关系链（CCoR）框架，以关系为中心探索实现更忠实的多跳KGQA，在多个基准上性能优于基线。
引用在偏好数据中的作用
机构 * University of Maryland（马里兰大学） ； Johns Hopkins University（约翰斯·霍普金斯大学）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 本文在科学问答场景下，通过混合效应模型研究引用对人类与四个开源LLM偏好的影响，发现人类偏好多样且数量少的引用，LLM也有相关偏好，还探讨了对偏好数据收集的启示。
PUMA：面向文化扎根多模态理解的波兰基准测试
机构 * National Information Processing Institute（国家信息处理研究所）
专题命中 视觉问答 ：visual question answering(abstract)
AI总结 该研究针对英语外文化多模态评估不足的问题，提出波兰多模态基准PUMA，通过900项任务评估各类模型在波兰语境下的多模态能力，发现商用模型在视觉问答表现好但音频/文档理解弱，并开源评估框架推进本地化多模态AI研究。
UR²-MLLM：面向放射科报告生成的多模态大语言模型中基于不确定性感知的重访推理
机构 * MedVisAI Lab（MedVisAI实验室） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李光前医学院） ； Centre of AI in Medicine, Singapore（新加坡医学人工智能中心） ； AI Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）AI方向） ； Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院）
专题命中 视觉推理 ：MLLM(title,title_cn)；multimodal large language model(title,abstract)；grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 该研究针对放射科报告生成任务，提出UR²-MLLM框架，通过动态重访不确定区域的机制实现最优性能，提升报告的可靠性与临床适配性。
Comments EMNLP 2026 Findings
SAVER：面向VLM变化推理中错误恢复的口头证据选择性审计
机构 * Panasonic Connect Co., Ltd.（松下连接公司）
专题命中 视觉推理 ：VLM(title,title_cn)；vision-language model(abstract)
AI总结 针对VLMs视觉变化推理的表述失败问题，提出轻量规则方法SAVER，通过选择性审计VLM输出的口头证据触发结构化重提示，在CLEVR-Change等基准上显著提升准确率。
Comments 19 pages, 5 figures
多模态大语言模型（MLLM）辅助音频引导的视频目标分割：第8届LSVOS挑战赛MeViS音频赛道第3名报告
机构 * Hefei University of Technology（合肥工业大学） ； Nanjing University of Science and Technology（南京理工大学） ； Hunan Police College（湖南警察学院）
专题命中 视觉推理 ：MLLM(title,title_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 该研究提出一种结合MLLM与SAM的无训练音频引导视频分割框架，分解任务至各阶段并选用适配基础模型，在第8届LSVOS挑战赛MeViS音频赛道获第3名，验证了基础模型用于该任务的有效性。
Comments 5 pages
基于结构化接地的思考：面向图表与视觉表格理解的感知强化学习
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Nanjing University（南京大学）
专题命中 视觉推理 ：grounding(title,abstract)；MLLM(abstract,abstract_cn)；visual reasoning(abstract)；multimodal large language model(abstract)
AI总结 针对MLLMs依赖外部工具感知图表等视觉内容的问题，提出TwSG框架，通过两阶段训练实现细粒度视觉推理，降低延迟并提升准确率与鲁棒性。
Comments Manuscript
presto：基于想象搜索的高效无训练开放世界物体放置方法
机构 * Wuhan University（武汉大学） ； University of Louisville（路易斯维尔大学）
专题命中 视觉推理 ：MLLM(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出零样本无训练框架presto，将开放世界物体放置转化为MLLM引导的启发式搜索任务，经多基准实验及人类研究验证，其在开放世界场景中性能最优，且MLLM作为评判者的变体更具感知一致性。
Comments Accepted to ICONIP 2026
OptiSight：弥合具身导航中的语义推理与几何控制
机构 * Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（机器人学与工业信息研究所（西班牙国家研究委员会-加泰罗尼亚理工大学））
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出OptiSight混合框架，结合VLM推理与确定性视觉伺服，在8GB VRAM预算下，于AI Habitat中实现了多种室内场景下的可靠零样本具身导航。
用于鲁棒的两阶段以对象为中心的视觉推理的弱监督概念瓶颈学习
机构 * University of Lübeck（吕贝克大学） ； Ulm University（乌尔姆大学） ； University of Bamberg（班贝格大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.AI
AI总结 针对两阶段视觉推理需昂贵标注的问题，提出动态正交概念瓶颈（D-OCB）框架，在极弱监督下提取对齐人类的符号谓词，通过动态超参数分配、子空间相关性惩罚及动态维度分配，实现高概念对齐与下游推理准确率，性能媲美或优于端到端范式。
留意沙发！通过弱到强任务向量注入激发多模态大语言模型在室内设计中的推理能力
专题命中 视觉推理 ：MLLM(title)；multimodal large language model(abstract)
AI总结 针对MLLMs在室内设计中因模态对齐问题产生的空间碰撞与审美不和谐，本文提出DART-I机制，通过弱到强任务向量注入引导MLLMs推理，无需微调即可实现精确推理，且经实验验证有效。
研究视觉语言模型（VLMs）中的关系推理
机构 * ETH Zurich（苏黎世联邦理工学院）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)；visual reasoning(abstract)；分类 cs.CV
AI总结 本研究以Qwen3-VL-4B为对象，构建含几何形状的合成数据集，探究VLMs的关系推理能力，发现其结合了真正视觉推理与基于语言线索的捷径策略。
面向多模态智能体学习者的双粒度智能体记忆与Shapley上下文归因
机构 * UC Merced（加州大学默塞德分校） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对多模态大模型推理不足的问题，提出双粒度智能体记忆框架DG-Mem，结合Shapley上下文归因，在多个数学多模态推理数据集上实现性能提升，且无需参数更新即可适配各类骨干模型。
CaRGo-T：因果推理思维图提升多模态幽默理解能力
机构 * Microsoft Research India（微软研究院印度分部） ； LinkedIn（领英公司） ； Nutanix（Nutanix公司） ； Indian Institute of Science（印度科学学院） ； Apple（苹果公司） ； Fujitsu Research India（富士通印度研究院） ； Indian Institute of Technology Kharagpur（印度克勒格布尔印度理工学院）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出CaRGo-T因果推理思维图框架，在四类含讽刺等喜剧内容的数据集上，提升VLMs的幽默理解与检测性能，相关代码已公开。
Comments 18 pages, 5 figures
超越视频：统一视频推理与深度研究的开放世界视频智能体
机构 * Shandong University（山东大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beihang University（北京航空航天大学） ； City University of Hong Kong（香港城市大学） ； Nanyang Technological University（南洋理工大学） ； Kuaishou Technology（快手科技） ； Southern University of Science and Technology（南方科技大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出统一视频推理与深度研究的VideoRover框架，构建相关数据集与基准，其8B-RL模型在无工具直接回答场景性能接近专有模型，优于同工具套件的更大开源模型。
Object-Uni：面向以物体为中心的空间理解与可控生成的统一模型
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与 mobility学院） ； Ant Group（蚂蚁集团）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出Object-Uni统一模型，通过视角方向抽象与UniSpatial-80K基准，实现以物体为中心的空间理解与可控生成，提升位姿理解及可控生成能力。
超越裁决：科学事实核查中人类与大语言模型推理的基于图的分析
机构 * Interdisciplinary Transformation University Austria (ITU)（奥地利跨学科转型大学（ITU））
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本研究提出类型化推理图框架，用于对比科学事实核查中人类与LLM的推理路径，基于MISSCIPLUS数据集评估GPT-5等模型，发现各模型在裁决性能与人类对齐度上存在差异。
OmniCAD：面向机器人装配任务的3D空间推理大规模基准测试集
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出OmniCAD——涵盖多类工业系统的3D空间推理大规模基准测试集，评估VLMs三类装配推理能力，发现当前VLMs在该任务中表现不佳，将开源相关资源推动该领域研究。
从语音到掩码轨迹的运动感知推理：2026年第8届LSVOS挑战赛MeViS音频赛道亚军方案
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 该研究提出Speech2MaskTrack方案，整合语音识别、运动定位等技术，在第8届LSVOS挑战赛MeViS音频赛道获亚军，实现语音引导的参考视频对象分割任务。
基于几何与知识基础的大语言模型推理的任务驱动型3D可打印性辅助
机构 * Colorado School of Mines（科罗拉多矿业学院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 该研究提出一种基于几何与知识基础的LLM推理的任务驱动型3D可打印性辅助框架，可生成多维度结构化打印建议，经实验验证其可提升可打印性、任务适用性及材料选择准确率。
DesignAgent3D：通过类设计师多模态推理实现交互式3D场景编辑
机构 * University of Michigan（密歇根大学） ； University of Notre Dame（圣母大学） ； Yale University（耶鲁大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 DesignAgent3D是一种交互式多模态智能体框架，通过类设计师的规划-感知-行动范式解决文本引导3D场景编辑的缺陷，在NeRF和3D Gaussian Splatting上均优于现有方法，实现了更优的语义对齐、空间定位精度和多视图一致性。
更优描述性推理轨迹质量与推荐效果之间的脱节
专题命中 视觉推理 ：grounding(abstract)
AI总结 本研究通过2×2因子实验对比语义ID与自然语言标题的推理轨迹质量，发现提升描述性推理轨迹质量无法持续改善传统离线推荐效果。
Comments Accepted at the Recsys'26 Workshop on Agentic and Generative AI for E-Commerce
InstructMove：一种指令跟随操作的文本不可或缺基准
机构 * Horizon Robotics（地平线机器人） ； WuwenAI（悟文智能） ； Southeast University（东南大学） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 视觉推理 ：grounding(abstract)
AI总结 针对现有操作基准无法充分检验机器人指令跟随能力的问题，提出文本不可或缺的InstructMove基准，将指令跟随分解为多环节，实验表明其可诊断视觉捷径且模拟数据能提升现实操作性能。
Comments 22 pages
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