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。
VideoHarness-RSI：基于冻结视觉语言模型的长视频理解的递归 harness 自改进方法
机构 * Tencent（腾讯）
专题命中 视觉问答 ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；分类 cs.AI
AI总结 该研究提出 VIDEOHARNESS-RSI，通过递归搜索可执行上下文构建程序，在冻结 VLM 上实现长视频理解的改进，且所选 harness 可迁移至其他长视频基准。
SonarLLM：一种用于水下感知的原生声呐-光学多模态大语言模型
机构 * Faculty of Information Engineering and Automation, Kunming University of Science and Technology（昆明理工大学信息工程与自动化学院） ； Yunnan Key Laboratory of Artificial Intelligence（云南省人工智能重点实验室）
专题命中 视觉问答 ：multimodal large language model(title)；MLLM(abstract,abstract_cn)；visual question answering(abstract)；分类 cs.AI
AI总结 针对现有多模态大语言模型不适用于水下声呐-光学感知的问题，提出SonarLLM模型，结合专用编码器与分层融合机制，在SonarBench基准上实现了优异的水下感知性能，凸显了声呐的互补价值。
SAGE：面向中国古代文献理解的从直接回答到证据导向推理
机构 * Fudan University（复旦大学） ； University of Liverpool（利物浦大学）
专题命中 视觉问答 ：vision-language model(abstract)；grounding(abstract)；分类 cs.AI
AI总结 针对现有大型视觉语言模型（LVLMs）在古代文献理解中证据支撑不足的问题，本文提出SAGE多智能体框架，通过多阶段证据导向推理实现任务规划、证据获取与验证，在AncientDoc基准上优于基线，搭载Qwen3.5-9B的SAGE性能超更大单体模型。
Quasar：一种专门用于LLM代码操作的编程语言
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.AI、cs.LG
AI总结 该研究提出专门用于LLM代码操作的编程语言Quasar，通过分离内部代码与外部调用实现新特性，还实现了访问控制、自动并行化、共形预测等增强代码操作的特性。
EgoErrorVQA：通过程序错误评估自我主体人工智能的以自我为中心的理解能力
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉问答 ：visual language model(abstract)；分类 cs.CV
AI总结 针对现有视觉智能体和VLMs忽略以自我为中心视角评估程序理解能力的问题，本文提出EgoErrorVQA任务，开发基于A2A协议的评估智能体，引入Ego-ADR框架提升模型对程序错误的理解，取得良好效果。
DeepRepoQA：基于深度智能体探索的代码仓库问答系统
专题命中 视觉问答 ：grounding(abstract)
AI总结 针对现有代码仓库问答方法缺乏深度推理能力的问题，提出基于LLM智能体与蒙特卡洛树搜索的DeepRepoQA框架，在SWE-QA基准上实现了性能显著提升。
视觉提示就足够了？研究渐进式视觉支架下视觉语言模型的空间推理能力
专题命中 视觉推理 ：VLM(title,summary_cn)；grounding(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 该研究针对 VLMs 的空间推理问题，在 SPaRC 基准中引入轻量视觉支架，可提升 VLMs 任务准确率并补充 GRPO 训练，揭示视觉呈现对 VLM 基准测量属性的关键作用。
Comments Accepted at EMNLP 2026 (Findings)
PinSieve：面向企业内容质量分类的生产级选择性VLM服务及受控内存飞轮
专题命中 视觉推理 ：VLM(title,title_cn)；分类 cs.LG
AI总结 本文提出PinSieve，即面向企业内容质量分类的选择性VLM服务智能体，结合受控内存飞轮维护机制，提升审核效率、降低成本并改善信号交付，具有任务可迁移性。
Comments Accepted at the KDD 2026 workshop "Enterprise AI Agents: From Prototypes to Production."
用于可解释人脸识别的视觉语言模型融合
机构 * Hochschule Darmstadt（达姆施塔特应用科学大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision language model(title)；vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出多视觉语言模型（VLM）融合框架，结合相似度分数、文本解释与人脸图像，提升了人脸识别准确率，同时生成更丰富稳健的可解释决策，助力开发负责任的可解释人脸识别系统。
MMDynOpt-Agent：基于强化学习的多模态大语言模型推理动态优化方法
专题命中 视觉推理 ：multimodal large language model(title,abstract)；MLLM(abstract,abstract_cn)
AI总结 该研究针对多模态大语言模型推理效率不足的问题，提出MMDynOpt-Agent，通过强化学习将多模态推理动态优化建模为马尔可夫决策过程，结合多轮优化提示与多维度奖励机制，在15个公开数据集上性能优于基线方法。
VizAnchor：通过双锚推理从篡改可视化中解码操纵意图
机构 * School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院） ； Division of Emerging Interdisciplinary Areas, The Hong Kong University of Science and Technology（香港科技大学新兴跨学科领域分部） ； School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出VizAnchor框架，通过双锚构建与VLM推理实现可视化操纵理解，含三个专用智能体，构建相关数据集，可准确定位篡改并生成忠实解释。
Comments 39 pages
用于乳腺超声诊断的通才-专家模型协作的引导与反馈框架
机构 * Monash University（莫纳什大学） ； Renmin University of China（中国人民大学） ； Lancaster University（兰卡斯特大学）
专题命中 视觉推理 ：MLLM(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对乳腺超声诊断中深度学习的可靠性与可解释性难题，提出BooF框架实现MLLM与专家模型协作，经多数据集验证其性能优于现有最优方法。
Comments 5 pages, 2 figures. Published in ICASSP 2026
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。
TangramPuzzle: 通过组合空间推理评估多模态大语言模型
机构 * Tsinghua University（清华大学） ； Sun-Yat Sen University（孙逸人大学） ； Tencent Youtu Lab（腾讯优图实验室） ； University of Illinois Chicago（伊利诺伊大学香槟分校）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 TangramPuzzle通过几何基准测试评估多模态大语言模型的组合空间推理能力，发现模型在匹配轮廓时忽视几何约束，导致碎片变形。
Comments EMNLP 2026 Findings
DoublesEval：通过专业双打羽毛球诊断视觉语言模型的多智能体战术推理能力
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； University of Macau（澳门大学）
专题命中 视觉推理 ：vision-language model(title)；visual language model(abstract)；分类 cs.CV
AI总结 本研究提出DoublesEval框架，以专业双打羽毛球为测试平台评估VLMs的多智能体战术推理能力，发现现有模型存在明显瓶颈，所提TacticCheck可提升模型表现但仍有差距，强调需改进VLMs的评估范式。
Comments Accepted by BMVC2026
空间-DisE：评估视觉语言模型空间推理能力的统一基准
机构 * School of Computer Science & informatics, University of Liverpool（计算机科学与信息学系，利物浦大学）
专题命中 视觉推理 ：vision-language model(title)；vision language model(abstract)；分类 cs.CV
AI总结 本文提出Spatial-DISE基准，用于评估视觉语言模型的空间推理能力，通过四个象限分类和大规模数据集，揭示当前模型在多步骤多视角推理上的不足。
Comments ICLR 2026 Accepted Project Page: this https URL (https://shinmohuang.github.io/spatialdise_page/)
ReactBench: 一种用于在化学反应图上进行拓扑推理的MLLMs基准测试
机构 * International Digital Economy Academy（国际数字经济学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 ReactBench通过化学反应图揭示MLLMs在拓扑推理中的局限性，包含1618个专家标注的问答对，评估17种MLLMs显示锚定任务与整体结构推理任务存在超过30%的性能差距。
Comments Accepted to EMNLP 2026 (Main Conference)
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。
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。
SPAR-Hate：一种由审核员引导的用于双语仇恨言论解析的多智能体框架
机构 * Dalian University of Technology（大连理工大学） ； Inner Mongolia University（内蒙古大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 针对结构化仇恨言论解析的文化等挑战，提出SPAR-Hate多智能体框架，分解文档为决策单元后从三视角生成判断并仲裁，在基准上实现双语仇恨解析最优结果。
Comments 16 pages, 2 figures. Submitted to EMNLP 2026
Visual-OPSD：用于高效统一多模态推理的跨模态在策略自蒸馏
机构 * Xi’an Jiaotong University（西安交通大学） ； MOE KLINNS Lab（MOE KLINNS实验室） ； Shaanxi Province Key Laboratory of Big Data Knowledge Engineering（陕西省大数据知识工程重点实验室） ； Sun Yat-sen University（中山大学）
专题命中 视觉推理 ：VLM(abstract_cn)；分类 cs.CV
AI总结 提出Visual-OPSD方法，通过跨模态在策略自蒸馏，将多步扩散生成的可视化思维推理能力转移到纯文本学生模型，实现14.3倍加速且性能提升3.40个百分点。
一个用于高级多模态个性化研究的基准和知识引导框架
机构 * Google（谷歌） ； DeepMind（深Mind）
专题命中 视觉推理 ：vision language model(abstract)；分类 cs.CV
AI总结 本文提出Life-Bench基准和LifeGraph框架，用于解决高级多模态个性化研究中的复杂任务挑战。
LG-GER：基于多模态证据蒸馏的语言引导群体情绪识别
机构 * University of South Carolina（南卡罗来纳大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；MLLM(summary_cn,abstract)；vision-language model(abstract,abstract_cn)；multimodal large language model(abstract,abstract_cn)
AI总结 该研究提出LG-GER框架，通过MLLM生成结构化证据并蒸馏至VLM骨干，无需检测器等即可实现高效群体情绪识别，在GroupEmoW和GAF 3.0数据集上取得了有竞争力或更优的结果。
PlaceSeek：通过语义 grounding 与情感对齐实现以人类为中心的城市户外地点地理空间检索
机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校） ； San Diego State University（圣地亚哥州立大学）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 该研究针对现有地理空间检索难以满足情感/活动类需求的问题，提出 PlaceSeek 框架，通过语义 grounding 与情感对齐实现城市户外地点检索，在米兰数据集上的表现优于多种基线方法。
Comments Accepted as a Research Paper (short) at ACM SIGSPATIAL 2026. This arXiv version is the full version of the paper
ReGround-Surg：用于指代手术视频分割的可靠性引导锚点 grounding
机构 * University of Exeter（埃克塞特大学）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV
AI总结 本文针对手术视频分割中初始锚点错误导致跟踪误差传播的问题，提出 ReGround-Surg 框架，通过可靠性引导锚点 grounding 改进 SAM2，在 Ref-EndoVis 数据集上实现优于 SOTA 的性能且速度损失极小。
Comments 15 pages, 5 figures, accepted at PRCV 2026 (Oral)
Gen2Physics：通过多视图材料分解将生成的三维网格与物理特性关联
机构 * University of Bristol（布里斯托大学） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究院）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 Gen2Physics是一个将生成的三维网格与物理特性关联的自动化框架，通过多视图材料分解实现，其材料分割精度较现有方法提升超一倍，还能输出水密性各材料子网格。
LE-NeuS: 通过自适应时间验证实现低延迟的神经符号视频理解
机构 * Case Western Reserve University（凯斯西储大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；grounding(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 LE-NeuS通过自适应时间验证优化，实现低延迟的神经符号视频理解，在保持高准确率的同时大幅减少推理延迟。
Comments Camera-ready version, accepted at NeuS 2026
当视觉不再足够：评估大视觉语言模型（LVLMs）中的交互式视觉定位
机构 * Stony Brook University（石溪大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文针对大视觉语言模型（LVLMs）提出交互式视觉定位的受控评估框架，发现当前LVLMs表现低于人类基线，主动提问式定位困难且校准不佳，该任务仍具挑战性。
Comments EMNLP 2026 Main
RefineRank：用于外科时空定位的联合框优化与排序
机构 * UCL Hawkes Institute, University College London（伦敦大学学院霍克斯研究所） ； King’s College London（伦敦国王学院） ； School of Medicine, Nankai University（南开大学医学院） ； University of Manchester（曼彻斯特大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision language model(abstract)；分类 cs.CV、cs.AI
AI总结 RefineRank通过RefineNet模块结合冻结医学视觉语言模型与开放集检测器，实现外科时空定位的联合框优化与排序，在MedVidBench上取得较高STG mIoU，提升了定位性能且无需重训主干。
Comments 17 pages, 3 figures
有何玄机？评估视觉-语言模型的时间一致性
机构 * University of Copenhagen（哥本哈根大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出TimeCatch基准，发现视觉-语言模型可检测单帧异常但难整合跨帧信息，在时间异常检测上表现接近随机水平。
Comments 17 pages, ACL format
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