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。
FastSLM：用于高效长语音自适应的层次时间抽象
机构 * OKESTRO ； Sejong University（世宗大学）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 针对长语音输入中标记爆炸问题，提出FastSLM架构，通过层次时间抽象器（HTA）实现每秒1.67个标记的极端压缩率（减少97%），在显著降低计算量和参数的同时，在长语音基准上达到与最先进模型竞争的性能。
Comments Title updated
SPM-Bench：面向扫描探针显微镜的大型语言模型基准测试
机构 * Alibaba Group（阿里巴巴集团）
专题命中 VLM训练与架构 ：VLM(abstract_cn)；分类 cs.AI
AI总结 提出SPM-Bench，一个全自动数据合成管道和严格评估指标（SIP-F1），用于测试LLMs在扫描探针显微镜领域的推理能力，并首次量化模型“个性”。
通过打破尾部对齐改进CLIP适应：用于源无关跨域小样本学习
机构 * School of Computer Science and Technology, Huazhong University of Science and Technology, Wuhan, China（华中科技大学计算机科学与技术学院） ； Institute of Artificial Intelligence, Huazhong University of Science and Technology, Wuhan, China（华中科技大学人工智能研究院）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 针对CLIP在跨域小样本学习中的性能下降问题，提出自适应尾头对齐策略（ATHA），通过有选择地削弱低相似度图像令牌的对齐来减少过拟合，在四个基准上取得最优结果。
Comments Accepted by ICML 2026
源语言锚定的语义强化学习用于低资源目标语言生成
机构 * Minzu University of China（中国民族大学） ； Ant Group（蚂蚁集团） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； South China University of Technology（华南理工大学）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
AI总结 提出源语言锚定的语义强化学习（SG-SRL），通过跨语言语义奖励模型利用源语言单语数据，结合轻量级恢复阶段解决奖励黑客问题，在低资源目标语言生成中提升语义锚定和事实覆盖。
EvoMD-LLM：学习反应分子动力学中物种进化的语言
机构 * Global College, Shanghai Jiao Tong University（上海交通大学全球学院） ； Global Institute of Future Technology, Shanghai Jiao Tong University（上海交通大学未来技术全球研究院）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
AI总结 提出EvoMD-LLM框架，将反应分子动力学轨迹离散化为符号时间序列，通过时间脚手架机制使自回归大语言模型学习物种组成演化，在多项时间预测任务上优于基线模型，并能生成可解释性预测。
Comments 17 pages, ACL Findings
ProgVLA：进度感知的机器人操作技能学习
机构 * NAVER LABS（NAVER实验室） ； NAVER LABS Europe（NAVER实验室欧洲）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.LG
AI总结 提出ProgVLA，一种紧凑的视觉-语言-动作模型，通过显式表示任务进度和两阶段Perceiver重采样机制，在有限计算和内存下实现长序列多模态处理，并在多任务操作基准上达到或超越大模型性能。
DebFilter: 消除隐藏在值中的偏见
机构 * School of Integrated Technology, BK21 Graduate Program in Intelligent Semiconductor Technology（整合技术学院，智能半导体技术BK21研究生项目）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出DebFilter，一种轻量级、无需训练的方法，通过调整交叉注意力中的值分量来纠正文本到图像扩散模型中的社会偏见，实现推理时偏差缓解。
Comments 8 pages, 7 figures, supplementary material included, CVPR 2026
Tool Forge：一种用于受控代理执行的携带验证的工具链
机构 * Next Moca Global, Inc.（Next Moca全球公司）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出 Tool Forge，一种将自然语言能力意图转换为经过验证、沙盒验证、编目工具制品，并通过令牌高效路由层暴露给代理的工具链，解决了代理执行中工具层缺乏治理和验证的问题。
Comments 9 pages, 2 figures, 3 tables. Code: https://github.com/nextmoca/tool-forge
FAST-GOAL: 快速高效的全局-局部对象对齐学习
机构 * Department of Virtual Convergence, Graduate School of Advanced Imaging Science, Multimedia & Films (GSAIM), Chung-Ang University（虚拟融合系，高级影像科学研究生院，多媒体与电影系（GSAIM）， Chung-Ang 大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.AI
AI总结 提出FAST-GOAL微调方法，通过全局-局部语义对齐增强CLIP处理长文本的能力，包括快速局部图像-句子匹配和基于token相似性的学习，并在GLIT100k数据集上训练，在长/短描述数据集上均取得显著提升。
Comments 21 pages, 8 figures, IEEE/TIP 2026 accepted
World-R1：通过强化学习为文本到视频生成注入3D约束
机构 * Zhejiang University（浙江大学） ； Microsoft Research（微软研究院） ； Independent Researcher（独立研究者）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出World-R1框架，利用强化学习（Flow-GRPO）结合3D基础模型和视觉语言模型的反馈，在不修改架构的情况下增强视频生成的3D一致性，并采用周期解耦训练策略平衡刚体几何与动态场景。
Comments ICML 2026, Project Page: https://aka.ms/world-r1, Code: https://github.com/microsoft/World-R1
解析多模态上下文学习：现代Transformer中的模态不对称性与电路动力学
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； DeepMind（深Mind） ； Beijing University of Posts（北京邮电大学）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.LG
AI总结 通过可控实验，研究现代Transformer中多模态上下文学习的基本机制，发现模态间学习不对称性，并揭示其背后的归纳式电路机制。
Comments ICML 2026 Spotlight
LaRe: 用于多模态推理的潜在重聚焦
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络与信息安全学院）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出LaRe范式，在潜在空间内进行视觉重聚焦，结合语义增强训练，在提升推理准确率的同时大幅减少推理所需token数。
[CLS] 还不够：基于补丁级推理与自适应聚合的多标签识别
机构 * Yunnan Normal University, Kunming, China（云南师范大学，昆明，中国） ； Kunming University of Science and Technology, Kunming, China（昆明理工大学，昆明，中国）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 针对CLIP等视觉语言模型在多标签识别中因[CLS]全局表征不足的问题，提出PIAA框架，通过补丁级推理和自适应聚合实现无训练的多标签识别，在NUS-WIDE上mAP提升超6%。
应对源自由跨域小样本学习中加剧的注意力汇聚问题
机构 * Huazhong University of Science and Technology（华中科技大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 针对跨域小样本学习中标准微调加剧注意力汇聚导致判别性下降的问题，提出基于令牌动态重加权的方法抑制简单令牌依赖并增强困难令牌学习，实现新最优性能。
Comments Accepted by CVPR 2026
CMAP: 面向多域任务增量学习的跨模态自适应提示
机构 * Hasso Plattner Institute（霍普斯·普拉特纳研究所）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 针对多域任务增量学习，提出跨模态自适应提示方法，利用CLIP文本嵌入空间进行任务路由、置信度估计和编码器适应，在MTIL基准上超越现有技术。
Blink: 动态视觉令牌分辨率增强多模态理解
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Baidu Inc（百度公司）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出Blink框架，通过注意力引导的令牌超分辨率和动态丢弃机制，在单次前向传播中模拟人类眨眼式扫描，提升多模态大语言模型的视觉感知能力。
Comments CVPR 2026
EPPC-OASIS：面向安全消息中电子患者-提供者通信挖掘的本体感知适应与结构化推理精炼
机构 * Yale University（耶鲁大学） ； Cleveland Clinic Lerner College of Medicine of Case Western Reserve University, Cleveland Clinic（克利夫兰医学中心勒纳医学院，克利夫兰医学中心） ； Medical Oncology, Yale School of Medicine（耶鲁医学院医学肿瘤学）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
AI总结 提出EPPC-OASIS框架，通过本体感知的Wasserstein对齐目标增强微调，并结合推理精炼步骤，从安全消息中自动提取结构化EPPC编码，在多个语言模型上取得一致改进。
FuRA: 基于谱预条件的全秩参数高效微调
机构 * University of California at Santa Barbara（加州大学圣芭芭拉分校） ； Amazon Lab126（亚马逊实验室126）
专题命中 VLM训练与架构 ：VLM(abstract_cn)；分类 cs.LG
AI总结 提出FuRA方法，通过块张量列车分解实现全秩谱预条件，在保持参数效率的同时提升微调性能，在LLM和VLM任务上优于全微调和LoRA。
图中标签真的在说些什么？用于视觉语言预训练中组合数据选择的反事实短语干预
机构 * Soongsil University（顺斯尔大学）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.CV
AI总结 本文研究了在视觉语言预训练中如何通过反事实短语干预来改进组合数据选择，提出了CPI方法以解决现有方法中全局过滤信号失效的问题，从而提升模型在关系识别任务上的表现。
Comments 11 pages, 2 figures, 4 tables. Preprint
监督分类头作为语义原型：通过权重重用解锁视觉-语言对齐
机构 * Department of Computer Science and Artificial Intelligence, DaSCI Institute, University of Granada, Granada, Spain（计算机科学与人工智能系，DaSCI研究所，格拉纳达大学，格拉纳达，西班牙） ； Department of Mathematics ``Tullio Levi-Civita'', University of Padova, Padova, Italy（托里利-西维塔数学系，帕多瓦大学，帕多瓦，意大利）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出利用预训练视觉模型的分类头作为语义原型，通过权重重用实现视觉-语言对齐，提升跨模态检索、零样本和少样本分类任务的性能。
结构锚点剪枝：用于视觉文档检索的无训练多向量压缩
机构 * Aalto University（阿alto大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出结构锚点剪枝（SAP），一种无需训练的多向量压缩方法，通过保留评分、指导窗口选择和视觉入度中心性评分三个组件，在不进行模型参数调整的情况下，实现了超过90%的视觉token剪枝同时保持NDCG@5超过90%的性能。
Comments methodology revision and new title
通过强调图像负样本token减少LVLMs中的物体幻觉
机构 * Nanyang Technological University（南洋理工大学） ； Monash University（墨尔本大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文通过强调图像负样本token来减少LVLMs中的物体幻觉问题，提出调整不同token的训练权重和数据过滤策略以控制幻觉。
Comments 20 pages, 10 figures, 10 tables
ROAR-3D: 为高保真3D生成实现任意视角路由
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Tencent Hunyuan（腾讯文生）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出ROAR-3D方法，通过改进预训练单视角模型以支持任意数量的未置位图像，利用视图路由和双流注意力设计实现高效的多视角3D生成，显著提升生成质量并支持测试时视角扩展。
PixVerve：通过大规模高质量数据集将原生超高清图像生成推至100MP
机构 * Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出PixVerve-95K数据集，通过精心设计的数据管道构建，包含95K张高分辨率图像和七维标注，用于推动超高清图像生成技术，通过三种训练方案将T2I基础模型扩展到100MP生成，并建立PixVerve-Bench评估协议。
Comments Project page is available at https://haojunchen663.github.io/projects/PixVerve/
Mega-ASR: 通过扩大现实世界声学模拟实现野外语音识别
机构 * NTU（国立新加坡大学） ； NUS（新加坡国立大学） ； Shanghai AI Lab（上海人工智能实验室）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出Mega-ASR，一种统一的野外语音识别框架，结合可扩展的复合数据构建与渐进的声学到语义优化，通过在7种经典声学现象和54种物理上合理的复合场景上训练，显著提升了在恶劣环境下的语音识别性能。
Comments Project page: https://xzf-thu.github.io/Mega-ASR/. Code, models, and dataset will be released. A robust ASR framework targeting in-the-wild and compositional acoustic scenarios where conventional ASR systems fail
MSAlign: 用于代谢物鉴定的分子和质谱基础模型对齐方法
机构 * LTCI, Télécom Paris & CMAP, Ecole Polytechnique, Institut Polytechnique de Paris（LTCI，巴黎电信学院及巴黎高等技术学院的联合机构，CMAP，巴黎高等理工学院，巴黎高等技术学院） ； LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，巴黎电信学院，巴黎高等技术学院） ； CEA, INRAE, MetaboHUB, Université Paris-Saclay（CEA，国家核能研究中心，法国农业研究机构，代谢组学枢纽，巴黎萨克雷大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.LG
AI总结 本研究提出MSAlign方法，通过多模态对齐技术对齐分子和质谱基础模型，以提高代谢物鉴定的准确性，并解决了数据分割策略中的分布偏移问题。
检索增强生成的预测预取
机构 * Department of Computer Science, University of Massachusetts Boston（马萨诸塞大学波士顿分校计算机科学系）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出了一种先进的异步检索框架，通过预测检索触发时机和所需信息，以减少延迟并提高生成效率，同时保持回答质量。
Comments Accepted by Forty-third International Conference on Machine Learning ICML 2026
SkyNative: 一种面向遥感视觉证据推理的原生多模态框架
机构 * College of Computer Science and Technology, Jilin University, China（吉林大学计算机科学与技术学院） ； Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education（教育部符号计算与知识工程重点实验室）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出SkyNative，一种原生多模态框架，通过去除预训练视觉骨干，直接在语言模型token空间中表示图像为原始patch tokens，以提升遥感图像的细粒度空间推理能力。
AnchorDiff: 基于拓扑结构的掩码扩散模型与基于置信度的重写方法用于放射学报告生成
机构 * University of Electronic Science and Technology of China（电子科技大学）
专题命中 VLM训练与架构 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出AnchorDiff，一种首个结合临床锚点的掩码扩散框架，用于生成放射学报告。该方法通过拓扑感知训练策略和推理时的重写策略，有效缓解了固定顺序自回归解码的局限性，实现了最先进的性能。
GaussianDWM: 基于3D高斯场景表示的统一场景理解和多模态生成驱动世界模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； MEGVII Technology（商汤科技） ； Mach Drive
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出基于3D高斯表示的统一驱动世界模型框架，实现3D场景理解和多模态生成，并通过语言引导采样策略和双条件生成模型提升生成效果，实验验证其在nuScenes和NuInteract数据集上的优越性能。
Comments Accepted by CVPR 2026
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