Annotation Methodologies for Vision and Language Dataset Creation
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
Comments in Scene Understanding Workshop (SUNw) in CVPR 2016
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
1. 视觉问答 3153 篇
What value do explicit high level concepts have in vision to language problems?
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
Comments Accepted to IEEE Conf. Computer Vision and Pattern Recognition 2016. Fixed title
Dynamic Memory Networks for Visual and Textual Question Answering
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
Neural Self Talk: Image Understanding via Continuous Questioning and Answering
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV
DeepRepoQA: Code Repository Question Answering with Deep Agent Exploration
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。
PUMA: A Polish Benchmark for Culturally Grounded Multimodal Understanding
PUMA：面向文化扎根多模态理解的波兰基准测试
机构 * National Information Processing Institute（国家信息处理研究所）
专题命中 视觉问答 ：visual question answering(abstract)
AI总结 该研究针对英语外文化多模态评估不足的问题，提出波兰多模态基准PUMA，通过900项任务评估各类模型在波兰语境下的多模态能力，发现商用模型在视觉问答表现好但音频/文档理解弱，并开源评估框架推进本地化多模态AI研究。
HybridRAG-BN: A Retrieval-Augmented Framework with Fine-Tuned Verification for Bangla KBQA
HybridRAG-BN：面向孟加拉语知识库问答的带微调验证的检索增强框架
专题命中 视觉问答 ：grounding(abstract)
AI总结 针对孟加拉语KBQA的低资源挑战，提出HybridRAG-BN框架，整合混合检索、答案生成与LoRA微调的验证模块，经实验获竞赛双排行榜第一。
Comments Developed for the IEEE Computer Society CUET Student Branch
HC-RAG: Evidence-Centric Retrieval-Augmented Generation over Heterogeneous Financial Filings
HC-RAG：面向异构金融文件的以证据为中心的检索增强生成
机构 * Sun Yat-sen University（中山大学） ； Central South University（中南大学）
专题命中 视觉问答 ：grounding(abstract)
AI总结 HC-RAG是面向异构金融文件的以证据为中心的分层跨模态RAG框架，通过构建类型化金融证据图、按意图路由证据，在金融问答基准上较RAPTOR、GraphRAG取得显著性能提升。
Comments 16 pages, 5 figures
ConRub-Med: Reinforcement Learning with Consensus Rubrics for Open-Ended Medical Question Answering
ConRub-Med：面向开放式医学问答的共识准则强化学习
专题命中 视觉问答 ：grounding(abstract)
AI总结 本研究提出ConRub-Med，通过三模型共识准则与三状态评分优化GRPO策略，在9个医学问答基准中6个排第一，HealthBench-Hard得分优于InfiMed-ORBIT。
NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering
NeSy-RAG：用于可解释问答的神经符号检索增强生成框架
机构 * Heidelberg University（海德堡大学）
专题命中 视觉问答 ：grounding(abstract)
AI总结 NeSy-RAG是一种模块化神经符号RAG框架，可生成透明推理轨迹，在ShARC基准上以61.1%的准确率优于同模型RAG基线，实现可解释问答。
Geometric Cross-Modal Token Selection for Latency-Constrained Multimodal Token Communication
面向延迟约束多模态令牌通信的几何跨模态令牌选择
专题命中 视觉问答 ：visual question answering(abstract)
AI总结 该研究针对延迟约束多模态令牌通信问题，提出基于几何的跨模态令牌选择框架及IBS、R-IBS策略，在VQA和AVQA任务上实现了显著的准确率提升。
When Do Multimodal and Graph-Augmented RAG Help? A Controlled Evaluation for Document Question Answering
多模态和图增强的检索增强生成（RAG）何时有用？文档问答的对照评估
专题命中 视觉问答 ：visual question answering(abstract)
AI总结 研究文档问答中多模态和图增强RAG的作用，提出用多模态图-RAG架构，通过独立检索并融合文本、图和视觉证据源来评估效果。经实验发现其价值取决于多种因素，如检索设计等，还揭示了一些相关问题，如图像检索及生成器效率对结果的影响。
Comments 8 pages, 3 figures
CoTu at EXACT 2026: Neuro-Symbolic Reasoning for Transparent Educational QA
CoTu在EXACT 2026中的应用：用于透明教育问答的神经符号推理
机构 * Can Tho University（芹苴大学） ； Tay Do University（西原大学）
专题命中 视觉问答 ：grounding(abstract)
AI总结 EXACT 2026竞赛要求用最多8B参数的自托管模型解决教育问答问题。CoTu团队开发神经符号思维程序管道，结合Z3编码、数值Python等，经答案类型路由等方法，在物理任务中获满分，决赛技术得分最高，总体第三，证明小模型也能实现可验证推理。
Comments The 2nd International XAI Challenge for Transparent Educational Question-Answering @ IEEE IJCNN 2026 Competition
RoboDesign1M: A Large-scale Dataset for Robot Design Understanding
RoboDesign1M：用于机器人设计理解的大规模数据集
机构 * FPT Software AI Center（FPT软件人工智能中心） ； University of Liverpool（利物浦大学） ； University of Information Technology（信息技术大学） ； Automation & Control Institute（自动化与控制研究所） ； Department of Creative Informatics（创意信息系） ； Faculty of Environment and Information Studies（环境与信息科学系）
专题命中 视觉问答 ：visual question answering(abstract)
AI总结 针对机器人设计领域缺乏大规模数据集的问题，介绍了含100万个样本的RoboDesign1M数据集，提出半自动数据收集管道，经多项实验评估，该数据集可推动机器人设计理解研究及相关自动化发展。
Comments 8 pages, accepted to IROS 2026
Question Answering for Diagram-Rich Technical Meeting Videos
面向富含图表的技术会议视频的问答
专题命中 视觉问答 ：grounding(abstract)
AI总结 研究面向富含图表的技术会议视频的问答问题，核心方法是开发基于大语言模型的多模态问答系统LMVQA，主要贡献是显著提高答案准确性，降低响应时间和成本，获领域专家认可。
Comments Accepted for publication in ICSME 2026
Interpretable Uncertainty for Adaptive Retrieval and Reasoning in Question Answering
问答中自适应检索与推理的可解释不确定性
专题命中 视觉问答 ：grounding(abstract)
AI总结 研究针对问答中大型语言模型的问题，提出基于LLM内部表示显式信号的不确定性感知框架，区分知识不足与模糊冲突，能在单次前向传播中估计，指导系统行为，为检索和推理策略提供透明实用替代方案。
Comments 2 pages, 1 figure
TACO: Tool-Augmented Credit Optimization for Agentic Tool Use
TACO：面向智能体工具使用的工具增强信用优化
专题命中 视觉问答 ：visual question answering(abstract)
AI总结 提出TACO方法，通过差分答案探针奖励和结果门控优势路由，为代码工具智能体提供无监督工具贡献信用分配，提升多模态问答准确性并减少冗余工具调用。
KBQA-R1: Reinforcing Large Language Models for Knowledge Base Question Answering
KBQA-R1：强化大语言模型用于知识库问答
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视觉问答 ：grounding(abstract)
AI总结 提出KBQA-R1框架，通过强化学习（GRPO）将知识库问答建模为多轮决策过程，并引入参考拒绝采样（RRS）解决冷启动问题，在多个基准上取得最优性能。
Comments ICML 2026
BioHarness: Substrate-Aware Evidence Assembly for Biomedical Question Answering across Literature, Knowledge Bases, and Biological Atlases
BioHarness：面向生物医学问答的底物感知证据组装——跨文献、知识库和生物图谱
专题命中 视觉问答 ：grounding(abstract)
AI总结 提出BioHarness，通过级联控制机制在文献检索、知识库和生物图谱间选择性组装证据，提升生物医学问答准确率，在19,302个问答项上得分从65.9提升至71.0。
Comments 14 Pages, 11 Figures, Keywords: biomedical question answering; retrieval-augmented generation; large language models; evidence assembly; biomedical knowledge bases; biological atlases
CacheWeaver: Cache-Aware Evidence Ordering for Efficient Grounded RAG Inference
CacheWeaver：面向高效接地RAG推理的缓存感知证据排序
机构 * Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学海因茨信息系统与公共政策学院）
专题命中 视觉问答 ：grounding(abstract)
AI总结 提出CacheWeaver，一种轻量级提示层方法，通过缓存感知的证据排序降低RAG推理的首令牌延迟，无需修改服务引擎或证据集。
ICBCBench: An Industry Consortium Benchmark for Financial Deep Research
ICBCBench：面向金融深度研究的行业联盟基准
专题命中 视觉问答 ：grounding(abstract)
AI总结 针对金融领域深度研究代理评估标准缺失的问题，提出ICBCBench基准，采用客观任务与主观报告评估双轨范式，揭示当前模型在复杂推理、事实依据和报告质量上的显著差距。
Comments 33 pages, 14 figures. Preprint. Under review
miniReranker: Efficient Multimodal Reranking through Visual Cache Reuse and Interaction Sparsity
miniReranker: 通过视觉缓存重用和交互稀疏性实现高效多模态重排序
专题命中 视觉问答 ：multimodal large language model(abstract)
AI总结 提出miniReranker，通过视觉优先格式、早期退出、窄交互带和嵌入器引导剪枝，将重排序运行时间降至密集实现的1%以下，同时保持96%以上的性能。
Self-Driving Negotiator: An interactive, verifiable benchmark for social negotiation and theory of mind under hidden intent
自动驾驶谈判者：一个在隐藏意图下进行社会谈判和心理理论的交互式可验证基准
机构 * Owl Autonomous Imaging, Inc（Owl 自动成像公司）
专题命中 视觉问答 ：visual question answering(abstract)
AI总结 提出一个文本多轮程序化生成环境，用于衡量自动驾驶中基于隐藏意图推断的隐式社会协调能力，通过特权模拟器状态计算奖励和诊断，当前最佳模型平均成功率仅0.68。
EverydayGPT: Confidence-Gated Routing for Efficient and Safe Hybrid GPT-RAG Conversational QA
EverydayGPT: 用于高效安全混合GPT-RAG对话问答的置信门控路由
机构 * Dr. A.P.J. Abdul Kalam Technical University（阿卜杜尔·卡拉姆技术大学）
专题命中 视觉问答 ：grounding(abstract)
AI总结 提出置信门控路由机制，通过联合策略决定检索与生成路径，使85%的查询使用快速RAG提取，延迟降低120倍以上，同时保持答案质量。
Comments 12 pages, 10 figures, 6 tables. Code and evaluation scripts available at: https://github.com/merciless-admiral-3083/EverydayGPT. This paper studies routing strategies for hybrid GPT-RAG systems under resource constraints, focusing on efficiency-safety tradeoffs rather than state-of-the-art accuracy
Fanar-Sadiq: A Multi-Agent Architecture for Grounded Islamic QA
Fanar-Sadiq：一种用于基于经典伊斯兰问答的多智能体架构
机构 * Qatar Computing Research Institute（卡塔尔计算研究所） ； HBKU（哈马德本·卡尔白大学）
专题命中 视觉问答 ：grounding(abstract)
AI总结 针对大语言模型在伊斯兰问答中易产生幻觉和错误归因的问题，提出基于多智能体工具增强架构的Fanar-Sadiq系统，通过意图感知路由、检索增强教法回答、精确经文引用和确定性计算器，在公开基准上实现高效准确的伊斯兰问答。
Comments Islamic QA; Religious NLP; Retrieval-Augmented Generation; Multi-Agent LLMs; Tool-Augmented Reasoning; Faithful Generation; Fiqh Reasoning
TimeLogic Challenge @ CVPR 2026: Strong MLLMs Meet Evidence-Seeking Agents for Temporal-Logic Video Question Answering
TimeLogic Challenge @ CVPR 2026: 强多模态大语言模型遇见面向时序逻辑视频问答的证据搜索智能体
专题命中 视觉问答 ：vision-language model(abstract)
AI总结 提出一种基于证据搜索智能体的无训练时序逻辑视频问答方法，通过多粒度采样工具包和分类引导策略，在TimeLogic测试集上达到77.13 AvgAcc。
DeSQ: Decomposition-based SPARQL Query Generation
DeSQ：基于分解的SPARQL查询生成
机构 * LAMA-WeST ； Mila – Quebec AI Institute（魁北克AI研究所） ； Polytechnique Montréal（蒙特利尔理工学院）
专题命中 视觉问答 ：grounding(abstract)
AI总结 提出DeSQ框架，通过将复杂问题分解为原子约束并映射为SPARQL片段，再组装成完整查询，在五个基准测试中四个超越现有方法，并增强鲁棒性和可解释性。
When Cases Get Rare: A Retrieval Benchmark for Off-Guideline Clinical Question Answering
当案例变得稀少时：一个用于偏离指南临床问答的检索基准
机构 * The Ohio State University（俄亥俄州立大学） ； The Ohio State University Wexner Medical Center（俄亥俄州立大学韦克斯纳医学中心） ； University of Chicago Medical Center（芝加哥大学医学中心）
专题命中 视觉问答 ：grounding(abstract)
AI总结 本文提出OGCaReBench基准，用于评估医疗问答中超越常规指南的开放性推理能力，通过检索医学文献提升模型在真实世界医疗场景中的表现。
Comments 34 pages, 20 figures
AMATA: Adaptive Multi-Agent Trajectory Alignment for Knowledge-Intensive Question Answering
AMATA: 适应性多智能体轨迹对齐用于知识密集型问答
机构 * School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院） ； Shanghai University of Electric Power（上海电力大学） ； East China Normal University（华东师范大学） ； Guangdong University of Finance and Economics（广东财经大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉问答 ：grounding(abstract)
AI总结 本研究提出AMATA框架，通过动态整合外部知识提高知识密集型问答的响应可解释性和事实准确性，采用六个专门化智能体协作执行复杂问题推理，并引入两种创新：轨迹内偏好学习和智能体间依赖学习。
Chain-of-Procedure: Hierarchical Visual-Language Reasoning for Procedural QA
过程链：用于过程问答的层次视觉语言推理
机构 * NLP ； CT Lab, Department of Computer and Information Science, University of Macau（计算机与信息科学系，澳门大学CT实验室） ； Department of Electrical and Computer Engineering, University of Macau（电气与计算机工程系，澳门大学） ； Centre for Cognitive and Brain Sciences, University of Macau（认知与脑科学中心，澳门大学）
专题命中 视觉问答 ：vision-language model(abstract)
AI总结 本文提出ProcedureVQA基准，针对视觉过程问答任务，通过过程链框架解决现有VLMs在跨模态检索和步骤分解上的不足，实验显示其在六个VLMs上提升达13%。
