视觉大模型 / VLM

TRACE: Evidence Grounding-Guided Multi-Video Event Understanding and Claim Generation

TRACE：基于证据定位的多视频事件理解与声明生成

Pengyu Yan, Akhil Gorugantu, Mahesh Bhosale, Abdul Wasi, Vishvesh Trivedi, David Doermann

机构 * University at Buffalo, SUNY（布法罗大学） ； New York University（纽约大学） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV

AI总结 提出TRACE框架，通过先构建文本可搜索时间线进行证据定位，再引导视觉语言模型生成声明和跨视频引用，显著提升多视频事件理解的事实完整性和归因准确性。

Comments Accepted at ACL 2026 Workshop

Grounded 3D-Aware Spatial Vision-Language Modeling

基于三维感知的空间视觉语言建模

An-Chieh Cheng, Yang Fu, Yatai Ji, Ligeng Zhu, Guanqi Zhan, Zhuoyang Zhang, Zhaojing Yang, Song Han, Yao Lu, Pavlo Molchanov, Vidya Nariyambut Murali, Jan Kautz, Xiaolong Wang, Hongxu Yin, Sifei Liu

机构 * UCSD（加州大学圣迭戈分校） ； MIT（麻省理工学院） ； NVIDIA（英伟达） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title)；vision language model(abstract)；VLM(abstract_cn)；grounding(abstract)

AI总结 提出GR3D模型，通过显式2D定位、隐式2D定位和单目3D定位三种互补定位能力，在单一框架内实现空间链式推理，并在定位与非定位空间基准上取得一致提升。

Comments CVPR 2026 https://www.anjiecheng.me/gr3d

Dual-Pathway Geometry-Aware MLLM for Spatial Intelligence

双路径几何感知多模态大语言模型用于空间智能

Yufei Zheng, Xuhan Zhu, Zide Liu, Chunpeng Zhou, Chenfeng Wang, Yongchao Xu, Yunnan Wang, Jiawei Liu, Pengfei Yu, Wei Zhai, Yang Cao, Zheng-Jun Zha

机构 * University of Science and Technology of China（中国科学技术大学） ； Li Auto Inc.（利汽车公司） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视觉定位与Grounding ：MLLM(title,abstract)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV

AI总结 提出GAMSI，一种仅以RGB图像为输入、通过双路径查询和专家引导视觉对齐实现3D结构与度量尺度联合感知的多模态大语言模型，在七个空间智能基准上达到最优性能。

Improving 3D Labeling in Self-Driving by Inferring Vehicle Information using Vision Language Models

通过利用视觉语言模型推断车辆信息以改进自动驾驶中的3D标注

Steven Chen, Shivesh Khaitan, Nemanja Djuric

机构 * Aurora Innovation, Inc.（Aurora创新公司） 纠错

专题命中 视觉定位与Grounding ：vision language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV

AI总结 本文提出了一种利用视觉语言模型推断车辆信息以提高自动驾驶中3D车辆标注精度的方法，通过零样本推理车辆信息，结合车辆型号和型号识别方法，提升了标注效率和质量。

Comments To appear in Proceedings of the IEEE Intelligent Vehicles Symposium (IV), 2026. Accepted for oral presentation

How Well Do Vision-Language Models Understand Sequential Driving Scenes? A Sensitivity Study

视觉-语言模型对连续驾驶场景的理解有多好？一项敏感性研究

Roberto Brusnicki, Mattia Piccinini, Johannes Betz

机构 * Professorship of Autonomous Vehicle Systems（自动驾驶系统教授职位） ； TUM School of Engineering and Design（技术大学慕尼黑工程与设计学院） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV

AI总结 本文通过系统分析视觉-语言模型（VLMs）在连续驾驶场景中的表现，揭示了输入配置对模型性能的影响，发现即使顶级模型在连续驾驶场景中的准确率仅为57%，远低于人类在相似约束下的65%，并暴露了VLMs在理解车辆动态和时间关系上的显著差距。

Comments 8 pages, 5 figures

The Visual Iconicity Challenge: Evaluating Vision-Language Models on Sign Language Form-Meaning Mapping

视觉象征性挑战：在手语形式-意义映射上评估视觉-语言模型

Onur Keleş, Aslı Özyürek, Gerardo Ortega, Kadir Gökgöz, Esam Ghaleb

机构 * Multimodal Language Department（多模态语言部门） ； Max Planck Institute for Psycholinguistics（马克斯·普朗克心理语言学研究所） ； Department of Linguistics（语言学系） ； Boğaziçi University（博多伊奇大学） ； Donders Institute for Brain Cognition and Behaviour（多纳尔斯脑认知与行为研究所） ； Radboud University（拉德堡德大学） ； Department of Linguistics and Communication（语言学与沟通系） ； University of Birmingham（伯明翰大学） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(abstract,abstract_cn)；分类 cs.CV

AI总结 本文提出一个新颖的视频基准测试，用于评估视觉-语言模型在手语形式-意义映射上的表现，通过心理语言学测量来评估三种任务：语音学手语形式预测、透明度和渐进象征性评分，并发现模型在语音形式预测上表现较好但整体仍低于人类表现。

Foundation models on the bridge: Semantic hazard detection and safety maneuvers for maritime autonomy with vision-language models

桥梁上的基础模型：基于视觉-语言模型的语义危险检测与安全操作用于海上自主性

Kim Alexander Christensen, Andreas Gudahl Tufte, Alexey Gusev, Rohan Sinha, Milan Ganai, Ole Andreas Alsos, Marco Pavone, Martin Steinert

机构 * Dept. of Mechanical and Industrial Engineering, NTNU（机械与工业工程系，挪威科技大学） ； Dept. of Aeronautics and Astronautics, Stanford University（航空航天工程系，斯坦福大学） ； Dept. of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； NVIDIA Research（NVIDIA研究） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.AI

AI总结 本文提出了一种基于视觉-语言模型的语义危险检测与安全操作方法，用于满足IMO草案MASS代码对海上自主船舶的要求，通过快速-慢速异常管道和短时间范围的人类可覆盖回退操作来实现，在40个港口场景中验证了该方法的性能。

Comments 17 pages without bibliography or appendix. The main paper has 16 figures. Paper webpage can be found at https://kimachristensen.github.io/bridge_policy/

Journal ref Ocean Engineering 359, Part 3 (2026), Article 124646

MAgSeg: Segmentation of Agricultural Landscapes in High-Resolution Satellite Imagery using Multimodal Large Language Models

MAgSeg：利用多模态大语言模型对高分辨率卫星图像进行农业景观分割

Piyush Tiwary, Utkarsh Ahuja, Depanshu Sani, Aishwarya Jayagopal, Sagar Gubbi, Subhashini Venugopalan, Alok Talekar, Vaibhav Rajan

机构 * Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； Indian Institute of Science（印度科学研究院） 纠错

专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV

AI总结 本文提出MAgSeg，一种无需视觉解码器的多模态大语言模型分割方法，有效解决南半球农业景观分割中的碎片化地块、高类内方差和标注数据稀缺问题，实现高效农业环境制图。

From Street View to Visual Network: Mapping the Visibility of Urban Landmarks with Vision-Language Models

从街景到视觉网络：利用视觉语言模型映射城市地标可见性

Zicheng Fan, Kunihiko Fujiwara, Pengyuan Liu, Fan Zhang, Filip Biljecki

机构 * organization= Department of Architecture, National University of Singapore , country= Singapore ； organization= Research \& Development Institute, Takenaka Corporation , country= Japan ； organization= Urban Analytics Subject Group, Urban Studies \& Social Policy Division, University of Glasgow , country= United Kingdom ； organization= Institute of Remote Sensing ； GIS, Peking University , country= China ； organization= Department of Real Estate, National University of Singapore , country= Singapore 纠错

专题命中 视觉定位与Grounding ：vision-language model(title)；VLM(abstract,abstract_cn)；vision language model(abstract)；分类 cs.CV

AI总结 本文提出利用视觉语言模型将地标可见性分析转化为图像空间中的视觉搜索问题，通过街景图像实现高效可见性评估，构建异构可见性图以表示地标、街景位置及城市空间之间的视觉连接，实验表明方法在数据受限情况下具有较高准确性。

Recall to Predict: Grounding Motion Forecasting in Interpretable Motion Bank

回忆以预测：在可解释的运动库中 grounded 运动预测

Abhishek Vivekanandan, Ahmed Abouelazm, J. Marius Zöllner

机构 * FZI Forschungszentrum Informatik（弗劳恩霍夫研究所信息技术研究中心） ； Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） 纠错

专题命中 视觉定位与Grounding ：grounding(title,summary_cn)；分类 cs.CV

AI总结 本文提出了一种端到端的可区分框架，通过对比学习构建全面的'运动库'来 grounding 运动预测，采用新颖的锚点检索层动态检索显式运动先验，结合 DETR 式解码器和 WTA 动态高斯混合模型，实现可解释的多模态预测。

Comments Sumitted for PeerReview

Multiple Consistent 2D-3D Mappings for Robust Zero-Shot 3D Visual Grounding

多一致的2D-3D映射用于鲁棒的零样本3D视觉定位

Yufei Yin, Jie Zheng, Qianke Meng, Zhou Yu, Minghao Chen, Jiajun Ding, Min Tan, Yuling Xi, Zhiwen Chen, Chengfei Lv

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（Inria巴黎-鲁克蒙特研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒实验室） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV

AI总结 本文提出MCM-VG框架，通过建立多一致的2D-3D映射实现鲁棒的零样本3D视觉定位，解决开放词汇3D提案质量差的问题，提升目标定位和推理的准确性。

OmniVTG: A Large-Scale Dataset and Training Paradigm for Open-World Video Temporal Grounding

OmniVTG：一种大规模数据集和开放世界视频时间定位的训练范式

Minghang Zheng, Zihao Yin, Yi Yang, Yuxin Peng, Yang Liu

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Central Media Technology Institute, Huawei Technologies Ltd.（华为技术有限公司中央媒体技术研究所） ； PKU-WUHAN Institute for Artificial Intelligence, Peking University（北京大学武汉人工智能研究所） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 本文提出OmniVTG数据集和Self-Correction Chain-of-Thought训练范式，通过语义覆盖迭代扩展管道构建大规模数据集，并利用多模态大语言模型的密集描述能力提升视频时间定位性能。

Comments CVPR 2026

Unlocking the Potential of Grounding DINO in Videos: Parameter-Efficient Adaptation for Limited-Data Spatial-Temporal Localization

解锁 grounding dino 在视频中的潜力：针对小数据空间-时间定位的参数高效适应

Zanyi Wang, Fan Li, Dengyang Jiang, Liuzhuozheng Li, Yunhua Zhong, Guang Dai, Mengmeng Wang

机构 * SGIT AI Lab, State Grid Corporation of China（国网SGIT人工智能实验室，国家电网公司） ； University of HongKong（香港大学） ； Zhejiang University of Technology（浙江工业大学） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV

AI总结 本文提出ST-GD框架，通过冻结基础模型并注入轻量适配器，有效解决小数据下的视频空间时间定位问题，在HC-STVG v1/v2基准和VidSTG数据集上表现优异。

Arbitration Failure, Not Perceptual Blindness: How Vision-Language Models Resolve Visual-Linguistic Conflicts

仲裁失败，而非感知失明：视觉-语言模型如何解决视觉-语言冲突

Farhad Nooralahzadeh, Omid Rohanian, Yi Zhang, Jonathan Fürst, Kurt Stockinger

机构 * Institute of Computer Science, Zurich University of Applied Sciences（苏黎世应用科技大学计算机科学研究所） ； University of Oxford（牛津大学） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract)；grounding(abstract)；分类 cs.CV

AI总结 研究探讨视觉-语言模型在视觉与语言冲突中的仲裁机制，发现编码与基础的脱节，通过多模态仲裁交叉分析揭示视觉属性在早期层可线性解码，最终层logit与基础结果相关性达0.847，表明需针对性干预提升视觉基础能力。

MARS: Multi-Agent Robotic System with Multimodal Large Language Models for Assistive Intelligence

MARS：基于多模态大语言模型的多智能体机器人系统用于辅助智能

Renjun Gao

机构 * School of Computer Science and Engineering, Faculty of Innovation Engineering, Macau University of Science and Technology（澳门科技大学创新工程学院计算机科学与工程学院） 纠错

专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；grounding(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 MARS系统利用多模态大语言模型实现风险感知和个性化辅助，通过多智能体决策框架提升智能家庭机器人在动态环境中的表现。

Comments 3 figures, 1 table

JAMMEval: A Refined Collection of Japanese Benchmarks for Reliable VLM Evaluation

JAMMEval: 一个经过精细优化的日本基准数据集，用于可靠的视觉-语言模型评估

Issa Sugiura, Koki Maeda, Shuhei Kurita, Yusuke Oda, Daisuke Kawahara, Naoaki Okazaki

机构 * Kyoto University（京都大学） ； NII LLMC（国立信息学研究所LLMC） ； NII（国立信息学研究所） ； Waseda University（早稻田大学） ； Institute of Science Tokyo（东京科学大学） 纠错

专题命中 视觉定位与Grounding ：VLM(title,abstract)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV

AI总结 本文提出JAMMEval，通过两次人工标注优化七个现有日本基准数据集，提升数据质量和评估可靠性，并验证了其在日语VQA任务中对模型能力的准确评估。

Comments 16 pages, 11 figures

See, Symbolize, Act: Grounding VLMs with Spatial Representations for Better Gameplay

看见、符号化、行动：通过空间表示接地VLMs以实现更好的游戏表现

Ashish Baghel, Paras Chopra

专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.AI

AI总结 本文研究了通过提供视觉帧和场景符号表示来提升VLMs在交互环境中的表现，发现准确的符号信息能提升性能，但自身提取符号的模型性能受模型能力和场景复杂度影响。

Comments 11 pages, 13 figures. Accepted to LMReasoning Workshop at AAAI 2026

Grounding Vision and Language to 3D Masks for Long-Horizon Box Rearrangement

将视觉与语言接地于3D遮罩以实现长周期箱子整理

Ashish Malik, Caleb Lowe, Aayam Shrestha, Stefan Lee, Fuxin Li, Alan Fern

专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.AI

AI总结 本文提出RAMP-3D模型，通过3D遮罩的序列预测实现长周期3D箱子整理任务，优于2D VLM基线，证明基于遮罩的反应策略在长周期规划中的潜力。

ENC-Bench: A Benchmark for Evaluating Multimodal Large Language Models in Electronic Navigational Chart Understanding

ENC-Bench：用于评估多模态大语言模型在电子航海图理解中的基准

Ao Cheng, Xingming Li, Xuanyu Ji, Xixiang He, Qiyao Sun, Chunping Qiu, Runke Huang, Qingyong Hu

机构 * National University of Defense Technology（国防科技大学） ； Intelligent Game and Decision Lab（智能游戏与决策实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；InternVL(abstract)；grounding(abstract)；分类 cs.CV

AI总结 ENC-Bench是首个专注于专业电子航海图理解的基准，包含20490个经过专家验证的样本，评估了10种先进多模态大语言模型在符号识别、空间推理和航海决策中的表现，揭示了模型在符号 grounding、空间计算和多约束推理方面的系统性挑战。

Comments Accepted to CVPR 2026, Project page: https://qingyonghu.github.io/ENC-Bench/

Learning Trajectory-Aware Multimodal Large Language Models for Video Reasoning Segmentation

学习轨迹感知的多模态大语言模型用于视频推理分割

Jingnan Luo, Mingqi Gao, Jun Liu, Bin-Bin Gao, Feng Zheng

机构 * Southern University of Science and Technology（南方科技大学） ； Tencent YouTu Lab（腾讯优图实验室） 纠错

专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；grounding(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 本文提出TrajSeg框架，通过双向文本轨迹对齐提升视频对象轨迹感知能力，采用帧级内容整合模块和统一掩码解码器实现端到端训练，实验表明其在视频推理分割任务中优于现有方法。

Tinted Frames: Question Framing Blinds Vision-Language Models

着色边框：问题框架使视觉语言模型失明

Wan-Cyuan Fan, Jiayun Luo, Declan Kutscher, Leonid Sigal, Ritwik Gupta

机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Vector Institute for AI（人工智能向量研究所） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；visual reasoning(abstract)；grounding(abstract)；分类 cs.CV

AI总结 本文研究视觉语言模型在不同问题框架下的注意力分配问题，发现框架影响其视觉输入处理，提出轻量级提示调优方法提升视觉感知能力。

Comments Preprint. Project page: https://davidhalladay.github.io/tinted_frames_demo/

EagleVision: A Dual-Stage Framework with BEV-grounding-based Chain-of-Thought for Spatial Intelligence

EagleVision：基于BEV的双阶段框架用于空间智能

Jiaxu Wan, Xu Wang, Mengwei Xie, Hang Zhang, Mu Xu, Yang Han, Hong Zhang, Ding Yuan, Yifan Yang

机构 * Atlas Lab（Atlas实验室） ； School of Aerospace, BUAA（北京航空航天大学航空学院） ； School of Software, BUAA（北京航空航天大学软件学院） ； State Key Laboratory of HERATT（HERATT国家重点实验室） ； Key Laboratory of SDODS (MOE) Project（SDODS重点实验室（教育部）） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；multimodal large language model(abstract)；分类 cs.CV

AI总结 EagleVision通过结合几何感知帧选择与主动BEV推理，提升视频空间推理能力，实现空间感知与验证的闭环循环。

Comments Accepted by CVPR 2026

Zoom to Essence: Trainless GUI Grounding by Inferring upon Interface Elements

聚焦本质：通过推断界面元素实现无训练GUI接地

Ziwei Liu, Tao Feng, Borui Kang, Yanbing Yang, Jun Luo

专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.LG

AI总结 本文提出ZoomUI，通过推断界面元素实现无训练GUI接地，利用推理缩放引导常见MLLM逐步锚定指令元素到更详细的界面元素，提升GUI代理性能。

SATGround: A Spatially-Aware Approach for Visual Grounding in Remote Sensing

SATGround：一种面向遥感视觉语义的时空感知方法

Aysim Toker, Andreea-Maria Oncescu, Roy Miles, Ismail Elezi, Jiankang Deng

专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV

AI总结 本文提出SATGround方法，通过结构化定位机制提升卫星图像视觉语义理解，结合语言和空间信息增强定位精度，在多个遥感基准测试中取得显著提升，包括比先前方法提升33.2%的视觉语义定位性能。

The Coherence Trap: When MLLM-Crafted Narratives Exploit Manipulated Visual Contexts

一致性陷阱：当MLLM编写的叙述利用被篡改的视觉上下文

Yuchen Zhang, Yaxiong Wang, Yujiao Wu, Lianwei Wu, Li Zhu, Zhedong Zheng

机构 * School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院） ； 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） ； CSIRO（澳大利亚联邦科学与工业研究组织） ； Northwestern Polytechnical University（西北工业大学） ； University of Macau（澳门大学） 纠错

专题命中 视觉定位与Grounding ：MLLM(title,abstract)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV

AI总结 本文提出AMD框架，通过Artifact Pre-perception Encoding策略和Manipulation-Oriented Reasoning，解决MLLM生成的多模态欺骗检测问题，验证了其在跨领域测试中的优越性能。

Comments Accepted to CVPR 2026 main track

REALM: An MLLM-Agent Framework for Open World 3D Reasoning Segmentation and Editing on Gaussian Splatting

REALM：一种用于高斯点划法上开放世界3D推理分割和编辑的MLLM-代理框架

Changyue Shi, Minghao Chen, Yiping Mao, Chuxiao Yang, Xinyuan Hu, Jiajun Ding, Zhou Yu

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Peking University（北京大学） 纠错

专题命中 视觉定位与Grounding ：MLLM(title,abstract)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV

AI总结 REALM通过MLLM-代理框架实现开放世界3D推理分割和编辑，支持多种3D交互任务。

Comments CVPR 2026 Accepted

Zero-shot HOI Detection with MLLM-based Detector-agnostic Interaction Recognition

基于多模态大语言模型的零样本人-物交互检测

Shiyu Xuan, Dongkai Wang, Zechao Li, Jinhui Tang

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Computing and Artificial Intelligence, Southwestern University of Finance and Economics（西南财经大学计算机与人工智能学院） ； Nanjing Forestry University（南京林业大学） 纠错

专题命中 视觉定位与Grounding ：MLLM(title)；vision-language model(abstract)；VLM(abstract)；visual question answering(abstract)

AI总结 本文提出基于多模态大语言模型的零样本人-物交互检测框架，通过解耦检测与识别任务，结合确定性生成方法和空间感知模块，实现高效准确的零样本交互识别。

Comments ICLR 2026

EgoActor: Grounding Task Planning into Spatial-aware Egocentric Actions for Humanoid Robots via Visual-Language Models

EgoActor: 通过视觉语言模型将任务规划接地于空间感知的自我中心动作以实现人形机器人

Yu Bai, MingMing Yu, Chaojie Li, Ziyi Bai, Xinlong Wang, Börje F. Karlsson

机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV

AI总结 EgoActor通过视觉语言模型将高层任务指令转化为精确的空间感知动作，实现人形机器人在真实和模拟环境中的稳健任务规划与运动执行。

RGBX-R1: Visual Modality Chain-of-Thought Guided Reinforcement Learning for Multimodal Grounding

RGBX-R1: 多视觉模态链式推理引导的多模态接地强化学习

Jiahe Wu, Bing Cao, Qilong Wang, Qinghua Hu, Dongdong Li, Pengfei Zhu

机构 * School of Artificial Intelligence, Tianjin University（天津大学人工智能学院） ； Low-Altitude Intelligence Lab, Xiong’an National Innovation Center（雄安国家创新中心低空智能实验室） ； Xiong’an Guochuang Lantian Technology Co., Ltd.（雄安国创莲田科技有限公司） ； College of Electronic Science and Technology, National University of Defense Technology（国防科技大学电子科学学院） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 RGBX-R1通过视觉模态链式推理引导的强化学习提升多模态接地能力，首次构建RGBX-接地基准并在多个任务中取得显著优势。

BLEnD-Vis: Benchmarking Multimodal Cultural Understanding in Vision Language Models

BLEnD-Vis: 评估视觉语言模型在多模态文化理解中的基准测试

Bryan Chen Zhengyu Tan, Zheng Weihua, Zhengyuan Liu, Nancy F. Chen, Hwaran Lee, Kenny Tsu Wei Choo, Roy Ka-Wei Lee

专题命中 视觉定位与Grounding ：vision language model(title)；vision-language model(abstract)；VLM(abstract)；grounding(abstract)

AI总结 BLEnD-Vis通过多模态文化基准测试评估视觉语言模型在语言重述和视觉模态下的文化理解稳健性，揭示当前模型在文化知识上的脆弱性，并指导更文化胜任的模型发展。

Comments EACL 2026