视觉大模型 / VLM

State-Conditioned Visual Evidence Retrieval for Fine-Grained Perception in Document Vision-Language Models

面向文档视觉语言模型中细粒度感知的状态条件视觉证据检索

Mingxu Chai, Chenyu Liu, Ziyu Shen, Jiazheng Zhang, Kaidi Zhang, Ruoyu Chen, Jun Long, Jihua Kang, Tao Gui, Qi Zhang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； ByteDance, LarkAI（字节跳动 LarkAI） ； Shanghai Key Lab of Intelligent Information Processing（上海智能信息处理重点实验室） 纠错

专题命中 文档图表理解 ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；分类 cs.CV

AI总结 针对现有VLM文档解析方法效率低的问题，提出SCVER方法，通过状态条件检索高分辨率区域，结合SGLO稳定训练，提升了低输入分辨率下的鲁棒性与准确率-效率权衡。

Comments 18 pages, 12 figures

ClearText-Video: A Large-Scale Text-Centric Video Dataset Bridging Video Restoration and Scene-Text Enhancement

ClearText-Video：连接视频修复与场景文本增强的大规模以文本为中心的视频数据集

Jinlong Li, Jiaming Ding, Dingfu Lu, Malcolm Hsiu, Chuang Ke, Kangning Yang, Bochen Guan, Lan Fu, Jie Cai, Huiming Sun, Zibo Meng

机构 * OPPO US AI Center（OPPO美国人工智能中心） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加利福尼亚大学圣迭戈分校） 纠错

专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV

AI总结 研究团队推出ClearText-Video数据集，评估发现视觉增强未必提升文本推理，仅OCR管道远逊于多模态推理，为相关系统提供基础。

Comments This paper is accepted by 2026 Proceedings of the European Conference on Computer Vision

OCR-MetaReasoning Benchmark: Evaluating the Meta-Reasoning Ability of MLLMs in Text-Rich Image Understanding

OCR元推理基准：评估多模态大语言模型在富文本图像理解中的元推理能力

Gengxu Li, Yuan Wu, Yi Chang

机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； International Center of Future Science, Jilin University（吉林大学未来科学国际中心） 纠错

专题命中 文档图表理解 ：multimodal large language model(abstract)

AI总结 本文提出OCR-MetaReasoning基准，将演绎、归纳、溯因作为不同推理方向，分离答案正确性与推理合规性，实验发现现有MLLMs的OCR元推理能力远未饱和。

Comments EMNLP 2026 Findings camera-ready version