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。
ReasonEdit：通过人类推理编辑视觉语言模型
机构 * University of Virginia（弗吉尼亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
专题命中 视觉问答 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 ReasonEdit通过引入人类推理机制，改进视觉语言模型的编辑能力，提升编辑泛化性能。
Comments ICML 2026
ATP-Bench: 向多模态大语言模型交错生成的代理工具规划迈进
机构 * Qwen Large Model Application Team, Alibaba（阿里巴巴通义千问大模型应用团队） ； Huazhong University of Science and Technology（华中科技大学） ； Zhejiang University（浙江大学）
专题命中 视觉问答 ：MLLM(title,abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 针对多模态大语言模型交错生成中事实性与创造性难以统一的问题，提出ATP-Bench基准，包含7702个问题-答案对，评估代理工具规划能力，揭示模型在交错规划中的不足。
Comments Accepted at the European Conference on Computer Vision (ECCV) 2026
面向多模态视觉问答的问题引导式证据获取
机构 * Amazon Inc.（亚马逊公司）
专题命中 视觉问答 ：visual question answering(title)；grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 针对多模态视觉问答中模型读取文档不可靠的问题，提出Q-Guide智能体引导感知，在两个数据集上优于基线方法，且增益来自精准感知引导而非复杂控制逻辑。
QIRL：用于实现偏差鲁棒视觉问答的优化问答-图像关系学习
专题命中 视觉问答 ：visual question answering(title,abstract)；分类 cs.CV
AI总结 该研究针对现有VQA偏差缓解方法的两大局限，提出QIRL框架，通过NIG与ISI模块结合生成驱动自监督学习，在VQA-CPv2和VQA-v2数据集上取得最优性能，可适配各类VQA架构。
SurgTEMP：基于文本引导的视觉记忆的时序感知手术视频问答系统用于腹腔镜胆囊切除术
机构 * University of Strasbourg（斯特拉斯堡大学） ； CNRS（法国国家科学研究中心） ； INSERM（法国国家健康与医学研究院） ； ICube, UMR7357（ICube实验室，UMR7357）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
AI总结 SurgTEMP通过文本引导的视觉记忆和时序感知模块，提升手术视频问答的性能，其核心方法是构建层次化的视觉记忆并采用手术能力进步训练方案，从而在复杂手术场景中实现更准确的问答与评估。
Comments 29 pages, 14 figures, 9 tables
基于视觉语言模型（VLM）与大语言模型（LLM）驱动的多智能体正电子发射断层扫描（PET）图像去噪系统
专题命中 视觉推理 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 针对PET图像分辨率低、信噪比差及深度学习去噪部署需多模型与专家干预的问题，本文提出VLM与LLM驱动的多智能体闭环PET去噪框架，自主选最优模型参数，在低剂量数据上优于UNet等基线方法。
为视觉-语言机器人操控扩展跨环境故障推理数据
机构 * Inria, École normale supérieure, CNRS, PSL Research University（法国国家信息与自动化研究所、巴黎高等师范学院、法国国家科学研究中心、巴黎文理研究大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出自动框架生成多样化的机器人规划与执行故障数据，构建FailCoT数据集，训练Guardian模型提升故障检测泛化能力。
Comments Code, Data, and Models available at this https URL (https://www.di.ens.fr/willow/research/guardian/). The paper contains 8 pages, 7 figures, 7 tables
PathAgentBench：在全切片病理图像上对寻求证据的视觉语言模型进行基准测试
机构 * National University of Singapore（新加坡国立大学） ； PuzzleLogic Pte Ltd（拼图逻辑私人有限公司） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区） ； Peking Union Medical College Hospital（北京协和医院）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 研究针对全切片病理图像诊断中证据获取与整合问题，引入PathAgentBench基准，评估视觉语言模型的四项互补能力，包含多模型评估结果，揭示了证据推理与获取间的差距，为改进病理模型提供统一框架。
LAGEA：基于语言引导的机器人操作代理
机构 * Department of Robotics ； Mechatronics Engineering, University of Dhaka, Bangladesh ； Center for Computational \& Data Sciences, Independent University, Bangladesh
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision language model(abstract)
AI总结 LAGEA通过语言引导具身代理学习，提升机器人操作任务的成功率和效率。
Comments ICML 2026 Main Track Poster
面向LEGO空间物理推理的样本高效后训练
机构 * HKUST(GZ)（香港科技大学（广州）） ； CUHK（香港中文大学） ； ZODA
专题命中 视觉推理 ：VLM(abstract)；grounding(abstract)；分类 cs.AI、cs.LG
AI总结 针对LLM生成LEGO组装时出现的物理有效但几何语义错位问题，提出基于模型的数据选择方法和样本高效强化学习PVPO，结合体素空间几何奖励，提升结构、语义对齐和物理有效性。
Comments Technical Report V2, 20 pages, 7 figures, 9 tables
MindClaw: 用于精确干预的闭环具身心理状态推理
机构 * Jilin University（吉林大学） ； Microsoft Asia（微软亚洲） ； National Taiwan University（国立台湾大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出MindClaw框架，通过闭环具身心理状态推理实现精确干预，结合多源输入、信念记忆、认知触发技能和动作生成，在动态环境中优化干预时机。
Comments Extended version of the CVPR 2026 paper *MindPower: Enabling Theory-of-Mind Reasoning in VLM-based Embodied Agents*. This work is in progress
FinAcumen: 通过自演化经验记忆实现的金融多模态推理
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Queen Mary University of London（伦敦玛丽女王大学）
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.AI
AI总结 提出FinAcumen框架，通过选择性经验记忆机制增强工具增强型多模态推理，在四个金融基准上持续提升冻结的8B视觉语言模型性能。
GRACE：基于上下文忠实推理的步骤级基准
机构 * Nanyang Technological University（南洋理工大学） ； VinUniversity
专题命中 视觉推理 ：grounding(abstract,abstract_cn)
AI总结 提出GRACE，首个带人工标注的步骤级忠实性基准，通过数据驱动错误分类法评估上下文推理中的链式思维步骤，并证明步骤级忠实信号可提升下游准确性和推理可靠性。
Comments Accepted at EMNLP Main 2026
VGI-BENCH：探究视频生成模型的视觉智能
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tsinghua University（清华大学） ； University of Waterloo（滑铁卢大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（矢量研究所） ； Microsoft Research（微软研究院） ； Etude AI
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 本研究推出VGI-bench基准，含27项任务810个实例，评估视频生成模型视觉推理能力，发现最强模型Seedance~2.0仅达51.0%，将推动下一代视频生成模型发展。
HM-Bench：多模态大语言模型在高光谱遥感中的综合基准
机构 * Sun Yat-sen University（中山大学） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； China Agricultural University（中国农业大学） ； Southwest Jiaotong University（西南交通大学） ； Southwest University（西南大学） ； National Supercomputing Center in Shenzhen（国家超级计算深圳中心）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出HM-Bench，首个用于评估多模态大语言模型在高光谱图像理解中的基准，通过构建19337对问题-答案对，探索模型在处理高维高光谱数据中的挑战，揭示视觉输入在空间-光谱推理中的优势。
VisionCoach: 通过视觉感知提示强化视频推理
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 VisionCoach通过视觉提示指导强化学习，提升视频推理的时空定位能力，实现无需外部工具的高效推理。
Comments Accepted to ECCV 2026; Project website: this https URL (https://visioncoach.github.io/)
整合时空模型与大语言模型（LLMs）的模块化多任务推理框架
机构 * College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院） ； Institute for Infocomm Research, A*STAR, Singapore（资讯通信研究院） ； School of Computer Science and Engineering, Beihang University, China（北京航空航天大学计算机科学与工程学院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本研究提出整合时空模型与LLMs的STReason框架，通过上下文学习分解查询生成解释，在时空推理任务中显著优于LLM基线，可抑制幻觉并减少专家工作量。
Traj-VLN：通过自回归轨迹生成学习像素空间交互
机构 * Southern University of Science and Technology（南方科技大学） ； Peng Cheng National Laboratory（鹏城国家实验室） ； Guangdong University of Technology（广东工业大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 研究连续环境中视觉与语言导航问题，提出通过自回归轨迹生成在2D像素空间微调视觉语言模型来学习导航交互的方法，实验验证该方法能显著提升性能，旗舰模型在有限资源和数据下达最优水平。
SafeLens: 一种高效且可靠的视频护栏系统，采用快速和缓慢筛查
机构 * University of South Florida（佛罗里达州立大学） ； University of California, Davis（加州大学戴维斯分校）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出SafeLens视频护栏框架，通过快速和缓慢的推理架构实现高效的视频内容审核，同时构建高质量数据集并采用结构化Chain-of-Thought追踪来解决训练时间扩展的限制，从而在实际和AI生成视频基准测试中取得最佳性能，同时显著降低推理成本。
HaReCAP：面向递归大语言模型智能体的习惯性动作 grounding 方法
机构 * North China Institute of Computer System Engineering（华北计算机系统工程研究所） ； University of Science and Technology of China（中国科学技术大学） ； China Information Security Research Institute Co., Ltd.（中国信息安全研究院有限公司）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI
AI总结 HaReCAP 是针对 ReCAP 的低侵入性扩展，通过编译叶子反射规则减少长视距具身任务中 LLM 的重复调用，在 Robotouille 和 ALFWorld 上显著降低了 token 消耗。
Comments 15 pages, 3 figures
用于将多模态语言模型与剩余使用寿命关联的时间序列检索
机构 * University of Luxembourg（卢森堡大学）
专题命中 视觉定位与Grounding ：grounding(title)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出时间序列检索关联的多模态大语言模型框架，在C-MAPSS基准FD001分区实验显示，该方法可提升RUL预测的误差与稳定性，且效果随模型容量变化。
将医疗大语言模型（LLM）基于因果知识图谱：框架、指标与心血管试点研究
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.AI
AI总结 本研究提出以因果知识图谱为核心的医疗LLM评估框架，在心血管试点中验证其有效性，发现集成条件C4在因果推理相关指标上表现最优，未基于图的C1原始干预准确性最高但缺乏因果与证据基础。
ExtrinSplat：解耦几何与语义以实现3D高斯散射中的开放词汇理解
机构 * Guangdong Provincial Key Laboratory of Ultra High Definition Immersive Media Technology, Shenzhen Graduate School, Peking University（广东省超高清沉浸式媒体技术重点实验室，北京大学深圳研究生院） ； School of Computer Science and Technology, Tianjin University（天津大学计算机科学与技术学院） ； Guangdong Bohua UHD Innovation Center Co., Ltd.（广东博华超高清创新中心有限公司）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 ExtrinSplat通过解耦几何与语义，利用视觉语言模型生成轻量文本假设，提升3D高斯散射中开放词汇物体选择和语义分割的性能和效率。
Comments Accepted to CVPR 2026
将AI智能体建立在契约基础上：对规范驱动测试生成的实证评估
专题命中 视觉定位与Grounding ：grounding(title)
AI总结 本研究针对LLM智能体生成测试时易遗漏契约相关边界的问题，提出规范驱动测试生成方法，经Google生产缺陷评估，其缺陷检测率、分支覆盖率均优于基线，测试套件质量也显著更高。
Comments To appear in Proceedings of the 1st International Workshop on Specification-Driven Development Life Cycle (SpecOps 2026), co-located with SPLASH 2026
语言训练深度伪造检测器的正则化能力
机构 * Computer Vision Lab, CAIDAS, University of Würzburg（计算机视觉实验室，CAIDAS，乌尔姆大学）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 提出利用多模态大语言模型的双编码器架构和两阶段训练，通过语言正则化缓解过拟合，提升深度伪造检测的泛化性和可解释性。
AT-ViT：面向标本馆图像植物性状识别的区域定向多视图视觉Transformer，融合交叉注意力与多尺度分块技术
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 该研究针对标本馆图像植物性状识别的背景干扰问题，提出双分支视觉Transformer模型AT-ViT，通过交叉注意力与掩码引导分块加权机制提升植物区域注意力，在多任务中实现准确率与鲁棒性提升。
H-OPD：置信感知异构多教师多模态在线策略蒸馏
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； ByteDance（字节跳动） ； USTC（中国科学技术大学） ； Beijing Key Laboratory of Network System and Network Culture（北京网络系统与网络文化重点实验室） ； Key Laboratory of Interactive Technology and Experience System, Ministry of Culture and Tourism（文化和旅游部互动技术与体验系统重点实验室） ； Zhongguancun Academy（中关村科学城）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.LG
AI总结 研究多模态推理的在线策略蒸馏问题，提出H-OPD框架，通过验证异构教师互补性，以令牌级教师仲裁取代任务或样本级路由，结合视觉与文本教师，在多基准测试中性能优越。
Comments EMNLP2026
Soft-NBCE: 基于熵加权分块融合的长上下文处理
机构 * Beijing Normal University（北京师范大学） ； Chunjiang Intelligence（春江智能）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 针对长上下文推理中硬选择策略导致语义碎片化的问题，提出Soft-NBCE，通过熵加权软融合和一致性蒸馏，在保持检索精度的同时提升多跳推理性能。
Comments Withdrawn due to serious concerns regarding the authenticity and accuracy of the listed authorship. The identity of one or more listed authors cannot presently be verified, and the author list may not represent distinct contributors. The manuscript is withdrawn pending institutional review
FlowExtract：从维护流程图中提取过程知识
机构 * University of Groningen（格罗宁根大学） ； Philips Consumer Lifestyle B.V.（飞利浦消费生活方式有限公司）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出FlowExtract，通过分离元素检测与连接性重建，利用YOLOv8和EasyOCR提取标准流程图节点，结合新边检测方法实现高精度连接提取，优于视觉语言模型基线，为可查询的过程知识表示提供实用路径。
Comments Accepted to the 45th IFIP WG 5.7 International Conference on Advances in Production Management Systems (APMS 2026)
SPADE：自适应合成可执行环境中的自博弈
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Seoul National University（首尔大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Chicago（芝加哥大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 SPADE是一种双角色自博弈强化学习框架，让单个LLM同时担任环境设计者与推理智能体，在多类基准上显著提升了语言智能体的性能，推动了开放式自我改进。
Comments Work in progress. Project page: this https URL (https://spade-rl.github.io); Code: this https URL (https://github.com/spade-rl/spade)
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