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。
用于视频错误检测的后训练视觉语言模型
机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所） ； Toyota Motor Europe Belgium（丰田汽车欧洲比利时公司）
专题命中 视觉问答 ：VLM(summary_cn,abstract_cn)；分类 cs.CV、cs.LG
AI总结 针对视频错误检测的闭集方法泛化性差的问题，提出首个VLM后训练技术，采用定制奖励函数，在EP-VQA上较最佳基线提升11.6%，实现更好的泛化。
Comments Accepted at BMVC 2026
UIC-AIHealth4All参加ArchEHR-QA 2026：面向临床问答的优先答案式证据定位
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校）
专题命中 视觉问答 ：grounding(title)；分类 cs.AI
AI总结 UIC-AIHealth4All系统参加ArchEHR-QA 2026共享任务，针对相关子任务提出优先答案式流程等方法，在三项任务中取得对应排名，还发现模型输出可读性需优化的问题。
Comments 10 pages, 2 figures, 6 tables. System description paper for the UIC-AIHealth4All submission to the ArchEHR-QA 2026 shared task, presented at the CL4Health workshop, LREC 2026
长话短说：基于2万部短片的故事级视频理解
机构 * Ecole Polytechnique（巴黎综合理工学院） ； IP Paris（巴黎理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对现有视频理解数据集的局限，本文构建了2万部业余电影组成的SF20K数据集及配套问答基准，验证其数据泄露有限，证明指令微调可提升VLMs在长期视频理解上的性能。
Comments International Journal of Computer Vision (IJCV)
MemoryCard: 面向长视频问答的主题感知多模态线索压缩
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Digital China Group（数字中国集团）
专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出MemoryCard框架，通过将长视频分割为主题事件单元并生成事件级摘要和代表性视觉时刻，以记忆卡形式增强VLMs的长视频问答能力，在相同视觉令牌预算下准确率提升高达21.8%。
Comments 23 pages, 8 figures
GHR-VLM：通过基于视觉基础的混合推理实现零样本公交视频分析
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院）
专题命中 视觉推理 ：VLM(title,title_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 研究旨在实现零样本公交视频分析，提出GHR-VLM框架，利用边缘-云设计，通过轻量级边缘监视器跟踪门状态、分割乘客片段，后端VLM经两阶段细化识别乘客与支付行为，减少云推理，评估显示其在公交支付分析中有潜力且面临视频条件挑战。
Comments Accepted by 2026 IEEE/ACM Symposium on Edge Computing (SEC)
CompareBench: 一个用于评估视觉比较推理能力的视觉-语言模型基准
机构 * OPPO AI Center（OPPO人工智能中心）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 CompareBench是一个用于评估视觉-语言模型中视觉比较推理能力的基准，揭示了当前模型在时间排序、空间关系和基本计数上的局限性。
SciReC：基于自适应交互的多模态多轮关系推理诊断评估
机构 * Arizona State University（亚利桑那州立大学） ； Capital One（第一资本金融公司）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI、cs.LG
AI总结 本研究构建了多模态学术对话基准SciReC，提出缺陷诊断框架DMRA评估多模态大语言模型的关系推理能力，发现不同模型在各类关系及领域上的表现差异，明确错误的主要来源。
用于通用视频理解的无训练时间抽象
机构 * California Institute of Technology（加州理工学院）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 提出无训练的STITCH方法，将视频划分为语义时间块，在三个视频理解任务上表现具竞争力，为通用视频理解提供新方向。
Comments Submitted to NeurIPS 2026
Doc-CoB：通过视觉链式框推理增强文档理解
机构 * Zhejiang Key Laboratory of Accessible Perception and Intelligent Systems, Zhejiang University（浙江可感知与智能系统重点实验室，浙江大学） ； Alibaba Group（阿里巴巴集团） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出Doc-CoB框架，通过粗到细的布局感知视觉推理，结合多模态大语言模型，逐步聚焦查询相关布局区域，提升文档理解性能。
WeAgent-MMSearch：面向多模态搜索智能体的原生文本-视觉交互
机构 * Weixin AI, Tencent（腾讯微信人工智能） ； Sun Yat-sen University（中山大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.AI
AI总结 针对现有多模态搜索智能体忽略图像、长程交互易失败的问题，提出 WeAgent-MMSearch 系统，通过 WeAgent-Harness 实现文本-视觉交互，经 FA-GSPO 后训练后，模型在多模态搜索基准上性能大幅提升。
观测、假设、验证：用于发现控制偏微分方程的多模态智能体框架
机构 * Indian Institute of Technology Delhi（印度德里理工学院） ； Robert Bosch GmbH（罗伯特·博世有限公司） ； TCS Research（塔塔咨询服务公司研究院） ； Yardi School of Artificial Intelligence (ScAI)（亚迪人工智能学院） ； Department of Applied Mechanics（应用力学系）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出多模态智能体框架MAGE，通过四个专业化智能体协作迭代发现控制PDE，在经典PDE套件等测试中实现优异恢复与误差表现，支持无库控制定律发现的结构化智能体推理研究。
认知链式推理（CoCoT）：关于社会情境的结构化多模态推理
机构 * Seoul National University（首尔国立大学） ； Human-Computer Interaction Institute, Carnegie Mellon University（人机交互研究所，卡内基梅隆大学） ； Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出CoCoT框架，通过感知、情境推断和规范应用三个阶段提升多模态社会推理能力，在多个任务中取得显著提升。
Comments COLM 2026
VERA-8B：基于SEC文件的证据支撑审计风险推理模型
机构 * New York University（纽约大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 该研究推出端到端审计推理系统VERA-8B，统一SFT与GRPO实现证据支撑审计推理，引入弃权机制，设计AuditBridge实现原始文件到可用报告的转换，性能优于基线模型。
时序思维树：面向长视频理解的推理引导型视觉线索搜索
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 该研究针对MLLMs长视频理解的时序组织缺失问题，提出无训练的T³框架，通过分层时序树与“回答-检索-探索”循环实现粗到细的线索搜索，在三个基准数据集上提升了Qwen2.5-VL-7B的性能。
Comments Accept by EMNLP2026
代码即世界：用于物理推理的可执行世界表征的智能体式发现
机构 * MirroS
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出Code-as-World范式，通过智能体式发现循环构建可执行世界表征，将其用于为视觉-语言模型训练提供物理监督，在QuantiPhy数据集上取得最优性能且超越领先专有模型
Comments Project Page: this https URL (https://mirros-lab.github.io/code-as-world)
顺序很重要：面向视觉-语言推理的中文多面板梗图基准
机构 * Shanghai Maritime University（上海海事大学） ； Dalian Maritime University（大连海事大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 该研究推出中文多面板梗图基准CMPM，评估大型视觉-语言模型对梗图的顺序感知推理能力，发现模型在打乱顺序时准确率大幅下降，Gemini 3.1 Pro和GPT-5.5表现优于开源模型。
MuSP-Bench：面向乐谱与演奏的高级多模态音乐理解基准测试
专题命中 视觉推理 ：multimodal large language model(abstract)
AI总结 研究人员推出MuSP-Bench基准测试，含490个乐谱与演奏理解问题，评估发现前沿多模态大语言模型理解乐谱困难，推理演奏音频时挑战更大。
Graphionale：LLM推理依据的图形可视化如何影响人类决策
专题命中 视觉推理 ：visual reasoning(abstract)
AI总结 本研究开发了Graphionale作为测试平台，通过204人在线用户研究发现，图形化LLM推理依据对不同任务模态的决策影响不同，匹配推理格式与任务模态是AI解释设计的关键。
RegCL：用于多感官媒体视觉 grounding 的紧凑持续 SAM 适配方法
机构 * Wangxuan Institute of Computer Technology, Peking University, China（北京大学计算机科学技术研究院）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV、cs.LG
AI总结 针对多感官媒体中 SAM 在动态领域性能下降的问题，提出非重放持续适配框架 RegCL，通过合并轻量适配模块实现紧凑部署，在五数据集实验中优于基线方法。
WALDO：杂乱场景中的一次性示例条件目标检测
机构 * Clark Atlanta University（克拉克亚特兰大大学） ； United International University（联合国际大学）
专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出WALDO检测头，利用V-JEPA 2.1特征实现低成本一次性示例条件目标检测，在杂乱场景的AP@50优于Grounding DINO，验证了世界模型特征对定位和不存在检测的迁移能力。
在视频中定位任意目标：重新思考高效的生成式时空视频定位
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of California, Merced（加州大学默塞德分校） ； Apertix（阿珀蒂克斯公司）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 针对时空视频定位的自回归解码存在延迟高、误差易传播的问题，提出并行轨迹解码，在VidSTG等数据集上实现显著的延迟降低与吞吐量提升，且可零样本泛化到多项相关任务
超越置信度：基于检索 grounding 的多轮搜索智能体测试时缩放
机构 * University of Southern California（南加州大学） ； Pohang University of Science and Technology (POSTECH)（浦项科技大学） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI
AI总结 针对多轮搜索智能体中基于置信度投票因复制膨胀失效的问题，提出检索接地投票（RGV）方法，在四个基准和五个 LLM 上性能优于基线，准确率最高提升 5.4%
Comments Accepted to EMNLP 2026 Findings
别让视频说话：面向音频-视觉语言模型的音频对比偏好优化
机构 * 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 ：visual language model(title,abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出ACPO方法，通过引入输出对比和输入对比目标，解决音频-视觉语言模型中视频驱动的音频幻觉问题，提升音频真实性和多模态能力。
Comments ECCV 2026 camera-ready version. Project page: this https URL (https://vision.cs.utexas.edu/projects/acpo/)
基于视觉语言模型与几何表面评分的免训练变形无菌纸箱吸盘抓取检测
机构 * University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算机学院）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；分类 cs.AI
AI总结 该研究针对可回收废物机器人分拣的挑战，提出一种免训练的变形无菌纸箱吸盘抓取系统，结合视觉语言模型、SAM2与几何表面评分方法，在真实机器人实验中取得了良好的抓取与检索效果。
Comments 6 pages, ICCAS 2026 preprint
A-PAIR：空-地跨视角参考人物检测的基准与身份一致的定位框架
机构 * School of Automation, Southeast University（东南大学自动化学院） ； 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） ； School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院） ； School of Sports Training, Tianjin University of Sport（天津体育学院运动训练学院） ； Tianjin University（天津大学） ； National University of Defense Technology（国防科技大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 针对空-地跨视角参考人物检测的挑战，本文提出首个该任务基准A-PAIR及ICRG框架，将对级F1从16.65%提至22.28%，验证了配对检测与身份一致推理的必要性。
SHROOM-Visions 2026概览：大型视觉语言模型幻觉检测共享任务
机构 * University of Helsinki（赫尔辛基大学） ； Politecnico di Torino（都灵理工大学） ； Université Bretagne Sud（南布列塔尼大学） ； University of Copenhagen（哥本哈根大学） ； University Grenoble Alpes（格勒诺布尔阿尔卑斯大学） ； University of Lorraine（洛林大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)
AI总结 本文介绍了2026年在EMNLP 2026同期举办的SHROOM-Visions共享任务，该任务针对大型视觉语言模型的幻觉检测，依托SHEEP数据集开展，吸引27支团队提交600余个系统，最优系统较基线提升30-40个百分点。
Comments Under review
XP-JEPA：用于可预测潜在动力学的交叉预测物理基础
专题命中 视觉定位与Grounding ：grounding(title)；分类 cs.LG
AI总结 XP-JEPA通过将视觉与物理表征交叉预测，提升了潜在动力学的可预测性，在多任务套件上降低了展开漂移并提高了控制成功率，无需特权输入即可实现更优的基于展开的控制性能。
Comments Under review
DeicticVLA：在单一视觉-语言-动作模型（VLA）中统一基于语言和指示手势的指令模式
机构 * The University of Osaka（大阪大学） ； The University of Tokyo（东京大学）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 本研究提出DeicticVLA，将三种指令模式统一于单一VLA，经仿真与真实任务验证，其在未见场景和新类别下的表现优于仅用语言指令的模型，为相关设计提供指导。
FENCE：一个金融和多模态越狱检测数据集
专题命中 视觉定位与Grounding ：vision language model(abstract)；VLM(abstract_cn)；分类 cs.AI
AI总结 针对金融领域多模态越狱检测资源匮乏的问题，提出FENCE数据集，包含韩英双语文本和图像，用于训练和评估检测器，实验表明基线检测器准确率达99%。
Comments lrec 2026 accepted paper
GRAFT：面向精细机器人操作的 grounded 高效在线强化适应
机构 * Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州高等研究院） ； School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（中国科学技术大学生命科学与医学部生物医学工程学院）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)
AI总结 GRAFT是一种高效在线VLA适应框架，通过特定视角视觉锚点聚焦任务相关线索，在四项生物医学操作任务中提升25个百分点成功率并降低计算开销。
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