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。
FBHM：用于仇恨模因检测的功能性基准测试与视觉语言模型引导
机构 * Indian Institute of Technology (IIT), Kharagpur（印度理工学院（IIT）卡拉格浦尔） ； Microsoft（微软）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对现有基准无法因果评估视觉语言模型漏洞的问题，提出基于25种修辞功能和10个目标社区构建的FBHM基准，并采用可学习引导向量（LSV）在极低数据量下提升模型性能约30个Macro-F1点。
基准测试与增强文本到图像模型以生成早期算术教育中的视觉表示
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； ETH AI Center（ETH人工智能中心）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 针对早期算术教育中的方程到视觉生成任务，构建了E2V-Bench基准并评估了现有T2I模型，发现其在计数和关系结构上存在严重错误，进而探索了基准引导的增强策略。
分数广播与去相关：基于广播的信用分配通用框架
机构 * KUIS AI Center, Koc University, Turkey（科克大学KUIS人工智能中心，土耳其） ； Electrical and Electronics Engineering, Koc University, Turkey（科克大学电子与电气工程系，土耳其） ； Department of Electrical Engineering, Stanford University, USA（斯坦福大学电气工程系，美国） ； John A. Paulson School of Engineering & Applied Sciences, Harvard University, USA（哈佛大学约翰·A·保罗森工程与应用科学学院，美国） ； Kempner Institute, Harvard University, USA（哈佛大学凯姆纳研究所，美国） ； Center for Brain Science, Harvard University, USA（哈佛大学脑科学中心，美国）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出分数广播与去相关（SBD）框架，通过输出分数与隐藏层激活的正交性原理，统一了多种可微损失函数下的广播式信用分配，并理论支撑了三因子学习规则。
PlanningBench: 生成可扩展且可验证的规划数据以评估和训练大型语言模型
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院 Gallagher 学校） ； LLM Department, Hunyuan Team, Tencent（腾讯 Hunyuan 团队 LLM 部门） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出PlanningBench框架，通过约束驱动合成管道生成可扩展、多样化且可验证的规划数据，用于评估和训练LLMs，并验证其在提升规划能力上的有效性。
Honeyval: 基于LLM的HTTP蜜罐综合评估框架
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； AI Sequrity Company（AI安全公司） ； Independent（独立）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出Honeyval评估框架，通过16个后端应用、AI攻击代理、控制任务和可验证利用目标，系统评估LLM驱动的HTTP蜜罐，发现其相比规则基线能显著延长攻击交互、降低被前沿模型检测率，且保持成本优势。
SmartIterator: 监督无监督数据分组的可视化分析工作流
机构 * Fraunhofer Institute IAIS（弗劳恩霍夫研究所IAIS） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能与机器学习研究所） ； City St George’s, University of London（伦敦大学圣乔治学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出SmartIterator可视化分析方法，通过六阶段工作流和IteraScope协调视图，系统探索参数扫描下的分组结果，支持用户理解数据结构和做出知情决策。
UniMaia：用语言引导国际象棋策略以实现类人玩法
机构 * University of Waterloo（滑铁卢大学） ； Carleton University（卡尔顿大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出UniMaia框架，通过参数高效文本编码器和ControlNet风格调节机制，在冻结的Lc0国际象棋策略网络上实现提示条件策略调制，实现语义控制（如开局选择和玩家强度）并保持预训练策略表征，同时构建大规模元数据增强的Lichess数据集和半自动提示生成管道，在多个基准上取得最优或竞争性结果。
生成式动画：面向提示驱动运动合成的多模型流水线
机构 * Canva ； Adobe
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出一种结合大语言模型和分割模型的流水线，将自然语言提示自动转换为符合场景几何、深度遮挡和3D透视变换的动画运动路径。
Comments 5 pages, 6 figures
TrackRef3D: 面向开放世界3D高斯泼溅分割的多视角一致跟踪-标注方法
机构 * East China Normal University, Shanghai, China（华东师范大学，上海，中国） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Electronic Science and Technology of China, Chengdu, China（电子科技大学，成都，中国）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.LG
AI总结 提出TrackRef3D全自动流水线，通过多视角一致跟踪-标注范式解耦目标发现与语义定位，无需人工标注实现开放世界3D高斯泼溅分割。
LiPUP-MA：一种以居住体验为中心的循环参与式城市多智能体规划框架
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出LiPUP-MA多智能体框架，通过模拟居住生活与体验驱动的计划修订循环，利用基于图的经验库和空间约束技能增强规划器，解决参与式城市规划中经验落地与反馈空间化问题。
澄清、弃权或回答？基于信念增强生成的对话策略
机构 * University of Amsterdam（阿姆斯特丹大学） ； MCML Munich（慕尼黑MCML） ； LMU Munich（慕尼黑莱茵-魏尔堡大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出信念增强生成（BAG）方法，通过将大语言模型自身的信念状态注入提示，使其推理多个采样响应并决定对话策略（回答、澄清或弃权），从而提升多轮模糊问答的准确性和策略决策的忠实度。
广义证据深度学习：从贝叶斯视角
机构 * School of Data Science, Fudan University, Shanghai, China（复旦大学数据科学学院，上海，中国）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.LG
AI总结 本文从广义贝叶斯框架出发，为证据深度学习建立理论基础，并提出统一可扩展的广义证据深度学习框架，在分类、不确定性估计和OOD检测上取得可比结果。
Comments Submitted to ICML2026
SURGE: 二值神经网络中的替代梯度自适应
机构 * National College for Excellent Engineers, Beihang University, Beijing, China（北京航空航天大学优秀工程师学院） ； School of Artificial Intelligence, Beihang University, Beijing, China（北京航空航天大学人工智能学院） ； School of Electronic and Information Engineering, Beihang University, Beijing, China（北京航空航天大学电子与信息工程学院） ； King Abdullah University of Science and Technology, Saudi Arabia（沙特国王 Abdullah 科学技术大学） ； Huawei Noah’s Ark Lab, China（华为诺亚实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 针对二值神经网络中梯度失配和固定范围梯度裁剪导致的信息损失问题，提出一种基于理论的可学习梯度补偿框架SURGE，通过双路径梯度补偿器和自适应梯度缩放器实现偏差减少的梯度估计与动态平衡，在图像分类、目标检测和语言理解任务上达到最优性能。
Comments Accepted as a poster at the 43rd International Conference on Machine Learning (ICML 2026)
FoodMonitor：用于可解释合规性分析的多模态大语言模型基准测试
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对现有视频异常检测缺乏规则驱动可解释性的问题，提出FoodMonitor基准，包含双通道违规标注和两阶段匹配评估协议，揭示当前多模态大语言模型在空间定位和细粒度规则理解上的瓶颈。
GenAI驱动的威胁检测与Microsoft Security Copilot
机构 * Microsoft Security Research（微软安全研究）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出动态威胁检测代理（DTDA），结合统一活动时间线、版本化LLM提示合同、规划器-执行器调查循环和动态告警生成，在Microsoft Security Copilot中实现持续、可解释的威胁检测，在线评估精确率80.1%，离线F1分数0.78。
RMA：一个面向研究级数学问题的智能体系统
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 提出Research Math Agents (RMA)框架，通过多角色多轮协作的智能体工作流，在First Proof基准上解决80%的研究级数学问题，优于GPT-5.2R等基线。
ST-SimDiff：平衡时空相似性与差异以实现高效的视频理解与大语言模型
机构 * Tsinghua University（清华大学） ； Shenzhen University（深圳大学） ； Xidian University（西安电子科技大学）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ST-SimDiff框架，通过平衡时空相似性与差异来提高视频理解效率，利用时空图和双选择策略减少计算成本并提升性能。
Comments Accepted by ICLR 2026
在消费级硬件上实现GraphRAG：对本地LLMs在医疗EHR模式检索中的基准测试
机构 * Department of Computer Engineering（计算机工程系） ； California Polytechnic State University（加州州立大学波特兰分校）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文研究了在消费级硬件上使用本地LLMs进行医疗EHR模式检索的GraphRAG方法，评估了四种不同模型在索引效率、知识图构建、查询延迟、回答质量和幻觉方面的表现，发现模型参数大小和检索模式对结果有显著影响。
Comments 9 pages, 1 figure, 5 tables
OmniVL-Guard Pro: 一个增强工具的代理用于综合视觉-语言防伪
机构 * School of Computer Science and Information Engineering, Hefei University of Technology, Hefei, China（合肥工业大学计算机科学与信息工程学院） ； Wuhan University, Wuhan, China（武汉大学） ； Lab for Intelligence and visiON (LION)（智能与视觉实验室） ； Xi'an Jiaotong University（西安交通大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 该研究提出OmniVL-Guard Pro，一种增强工具的代理，用于综合视觉-语言防伪，通过整合多种工具环境和引入新的强化学习方法，实现了开放世界中的线索驱动推理，并在多个任务上达到了最先进的性能。
Comments 29 pages
多模态最优传输用于手术机器人中的无训练时序分割
机构 * Dept. of Robotics, Mohamed bin Zayed University of AI（机器人系，Mohamed bin Zayed人工智能大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出了一种无需标注的手术时序分割框架TASOT，通过结合时间对齐的文本描述和视觉信息，在统一的不平衡Gromov-Wasserstein最优传输目标下融合视觉和语义线索，实现了在多个公开手术数据集上的显著提升。
比较解释并不足够，解释变化：需要新的标准来解释大型语言模型中的行为转变
机构 * Scuola Normale Superiore（诺莱学院） ； ISTI-CNR（意大利国家研究委员会ISTI研究所） ； University of Pisa（比萨大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出了一种新的XAI方法，旨在解释大型语言模型在干预后行为转变的原因和机制，以应对现有解释方法无法解释行为转变的问题。
ConceptSeg-R1: 通过元强化学习实现任意概念的分割
机构 * Dalian University of Technology（大连理工大学） ； X3000 Inspection Co., Ltd（X3000检测有限公司） ； Nanyang Technological University（南洋理工大学） ； Yale University（耶鲁大学） ； Northwestern Polytechnical University（西北工业大学） ； Hunan University（湖南大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ConceptSeg-R1框架，通过元强化学习机制学习可迁移的任务规则，结合轻量级概念翻译模块实现概念分割，并在多个领域基准上验证了其在概念层次上的强性能。
超越二元成功：一种用于细粒度操控的诊断元评估框架
机构 * Southeast University（东南大学） ； Monash University（墨尔本大学） ； Xiaomi EV（小米电动车） ； University of Copenhagen（哥本哈根大学） ； Peking University（北京大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出MetaFine框架，通过分解理解、感知和受控行为三个维度，诊断细粒度操控中的能力瓶颈，并通过因果干预识别视觉编码器在保持局部空间结构方面的关键限制，从而提升操控精度。
Comments Project page: https://metafine.github.io/
VGGT-Edit：基于残差场预测的前馈原生3D场景编辑
机构 * Peking University（北京大学） ； Tencent（腾讯） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai AI Lab（上海人工智能实验室） ； NTU Singapore（新加坡国立大学） ； Zhongguancun Academy（中关村学院） ； Beijing Key Lab of Data Intel. & Security (PKU)（北京数据智能与安全实验室（北京大学））
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出VGGT-Edit，一种基于文本条件的前馈原生3D场景编辑框架，通过引入深度同步文本注入和残差变换头，实现高质量的3D场景编辑，同时构建DeltaScene数据集以提升编辑效果和推理速度。
多模态大语言模型是否准备好用于监控？对零样本异常检测在现实中的检验
机构 * Electrical and Computer Engineering Department（电气与计算机工程系）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文研究了多模态大语言模型在现实中的零样本异常检测性能，发现其存在保守偏差，通过特定指令可以提升F1分数，但召回率仍是关键瓶颈。
3DPhysVideo: 通过3D场景重建和物理模拟的一致性引导流SDE用于视频生成
机构 * KAIST（韩国科学技术院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出了一种无需训练的管道，通过3D场景重建和物理模拟生成逼真视频，利用一致性引导流SDE分解预测速度以确保条件输入的一致性，从而在多物体和流体交互场景中实现从单张图像到物理合理视频的过渡。
Comments Project page: https://hwidong-kim.github.io/projects/3DPhysVideo
ClawArena：在演化的信息环境中评估AI代理的基准测试
机构 * UNC-Chapel Hill（北卡罗来纳州立大学夏洛特分校） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Berkeley（加州大学伯克利分校）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 ClawArena评估AI代理在信息环境动态变化中的能力，通过多源冲突推理、动态信念更新和隐式个性化三个挑战，测试代理在多通道会话、工作区文件和阶段更新中的表现。
RadGame：一种基于人工智能的放射学教育平台
机构 * Harvard Medical School（哈佛医学院） ； Mass General Brigham（麻省总医院） ； Maastricht University（马斯特里赫特大学） ； Department of Medical Imaging, King Abdulaziz Medical City, Ministry of National Guard, Riyadh, Saudi Arabia（国王阿卜杜勒-阿齐兹医疗城医学影像科，沙特阿拉伯） ； National Strategic Technology Research Institute, Seoul National University Hospital（全国战略技术研究所，首尔国立大学医院） ； Saint Louis University School of Medicine（圣路易斯大学医学院） ； College of Medicine, King Saud bin Abdulaziz University for Health Sciences（国王萨勒曼·本·阿卜杜勒阿齐兹大学医学院） ； Tufts University School of Medicine（塔夫茨大学医学院） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 RadGame通过结合游戏化与大规模公开数据集，提供AI驱动的反馈，提升放射学教育中的定位和报告撰写能力，显著提高学习效果。
Comments ML4H Version
DeepArrhythmia: 基于选择性证据获取的段落上下文化ECG心律失常分类
机构 * University of Georgia（佐治亚大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 DeepArrhythmia通过选择性证据获取实现段落上下文化ECG心律失常分类，结合原始ECG信号和渲染波形图像，利用专门工具分离生理测量与证据整合，提升多beat节奏上下文下的心律失常检测精度。
MHSA：一种轻量级框架，通过引导注意力缓解LVLMs中的幻觉
机构 * Tsinghua University（清华大学） ； Tsinghua University, Tencent（清华大学腾讯） ； Tencent（腾讯） ； University of Science and Technology Beijing（北京科技大学） ； University of Macau（澳门大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MHSA框架，通过学习修正跨模态注意力模式来缓解LVLMs中的幻觉，采用简单三层MLP生成器和DHCP判别器信号指导训练，无需修改模型参数即可在多种数据集和模型上有效减少判别和生成幻觉。
Comments 19 pages, 17 figures
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