视觉大模型 / VLM

Post-Training VLMs for Video Mistake Detection

用于视频错误检测的后训练视觉语言模型

Federico Spurio, Olga Zatsarynna, Lars Doorenbos, Emad Bahrami, Gianpiero Francesca, Juergen Gall

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） 纠错

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 at ArchEHR-QA 2026: Answer-First Evidence Grounding for Clinical Question Answering

UIC-AIHealth4All参加ArchEHR-QA 2026：面向临床问答的优先答案式证据定位

Mohammad Arvan, Hossein Haeri, Natalie Parde, Rebecca T. Feinstein

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

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

Long Story Short: Story-level Video Understanding from 20K Short Films

长话短说：基于2万部短片的故事级视频理解

Ridouane Ghermi, Xi Wang, Vicky Kalogeiton, Ivan Laptev

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） 纠错

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: Topic-Aware Multi-Modal Clue Compression for Long-Video Question Answering

MemoryCard: 面向长视频问答的主题感知多模态线索压缩

Qing Yang, Pengcheng Huang, Xinze Li, Zhenghao Liu, Yukun Yan, Yu Gu, Ge Yu, Gang Li, Maosong Sun

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） 纠错

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