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。
展示，而非告知：可解释的AI生成文本检测
机构 * School of Computing, Information and Data Sciences（计算与数据科学学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； United States of America（美国）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出一种名为TELL的新型可解释架构，通过内置解释机制和强化学习训练，在保持高检测性能（AUROC 0.927）的同时提供文本级注释，帮助用户基于自身判断识别AI生成文本。
AIBuildAI-2：一种用于自动构建AI模型的知识增强智能体
机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Medicine, University of California San Diego（加州大学圣地亚哥分校医学系）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 针对现有自动构建AI模型的智能体因依赖大语言模型静态参数知识而性能受限的问题，提出AIBuildAI-2，通过引入分层、可进化的外部知识系统，动态加载相关上下文，实现设计决策的专家知识支撑，在MLE-Bench上取得70.7%奖牌率并在心脏病预测竞赛中排名前6.6%。
StoryMI: 可控的多智能体治疗性对话生成
机构 * Vrije Universiteit Amsterdam（弗里堡大学阿姆斯特丹分校） ； NII, Tokyo Institute of Technology（东京技术大学信息机构）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出StoryMI框架，通过多LLM智能体协作、情境故事基础和动态策略控制，生成符合动机性访谈标准的治疗性对话，并构建评估协议和数据集验证其有效性。
Comments ACL2026
CircuitLM: 一种基于多智能体的大语言模型辅助设计框架，用于从自然语言提示生成电路原理图
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Department of Electrical and Electronic Engineering（电气与电子工程系） ； Islamic University of Technology（伊斯兰技术大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出CircuitLM多智能体流水线，通过嵌入驱动的组件知识库和五阶段流程，将自然语言提示转化为结构化的CircuitJSON原理图，并采用确定性电气规则检查和LLM作为评判的元评估器双重验证，解决大语言模型在电路设计中的幻觉和物理约束问题。
Comments Accepted at the 2026 IEEE International Conference on LLM-Aided Design (ICLAD), 10 pages, 8 figures, 6 tables
MMRad-22K：用于胸部X光报告生成的结构化多模态证据数据集
机构 * MoE Key Lab of Artificial Intelligence, AI Institute, School of Computer Science, Shanghai Jiao Tong University（人工智能MOE实验室、人工智能研究院、计算机科学学院、上海交通大学） ； School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China (USTC)（生物医学工程学院、生命科学与医学系、中国科学技术大学） ； Center for Medical Imaging, Robotics, Analytic Computing & Learning (MIRACLE), Suzhou Institute for Advanced Research, USTC（医学影像、机器人、分析计算与学习中心（MIRACLE）、苏州市先进研究院、中国科学技术大学） ； Department of Radiology, The First Affiliated Hospital, Zhejiang University School of Medicine（放射科、浙江大学医学院第一附属医院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 针对胸部X光报告生成中现有资源监督信号碎片化的问题，提出结构化多模态证据数据集MMRad-22K，并基于统一LVLM骨干进行适配，证明结构化多模态证据优于纯文本或边界框证据，在语言和临床指标上表现更优。
通过潜在迭代细化的符号回归
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.LG
AI总结 提出潜在方程嵌入（LEE）框架，通过迭代推断在功能基础化的潜在空间中缩小符号回归的推断差距，生成更简单且准确的表达式。
Comments Preprint. 21 pages, 11 figures
COVD: 通过新概念注入的持续开放词汇目标检测
机构 * Tianjin University（天津大学） ； Shenzhen University of Advanced Technology（深圳大学）
专题命中 视觉定位与Grounding ：VLM(abstract_cn)；分类 cs.CV
AI总结 提出持续开放词汇目标检测新任务COVD，通过冻结视觉编码器并仅更新文本分支参数注入新概念，实现无需额外参数的高效持续学习。
SCENT: 将质谱与分子结构对齐用于嗅觉感知
机构 * Dept. of Intelligent Systems, KTH Royal Institute of Technology（智能系统系，皇家理工学院） ； Atmospheric Chemistry Dept., Max Planck Institute for Chemistry（大气化学部，马克斯·普朗克研究所） ； Dept. of Information Technology, Uppsala University（信息科技系，乌普萨拉大学） ； Science for Life Laboratory (SciLifeLab), Uppsala（生命科学实验室（SciLifeLab），乌普萨拉）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 提出SCENT多模态对比学习框架，通过将电子电离质谱表示与预训练化学结构嵌入对齐，在无需分子结构的情况下实现与结构模型相当的嗅觉预测性能。
从规范到指标 (N2I-RAG): 一种用于法律指标计算的智能检索增强生成框架
机构 * LISI Laboratory（LISI实验室） ； Cadi Ayyad University（卡迪·阿亚德大学） ； Univ Brest（布列塔尼大学） ； IRD, Univ Brest, CNRS, Ifremer, LEMAR（IRD、布列塔尼大学、CNRS、Ifremer、LEMAR）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出N2I-RAG框架，通过自适应检索、基于LLM的智能体和验证机制，实现从法律文本到指标的透明、可追溯的自动计算，在法国海洋环境法语料库上优于基线方法。
REVERSE: 强化证据验证与搜索的智能体图像地理定位
机构 * Peking University（北京大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； WeChat Vision, Tencent Inc（腾讯公司）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出REVERSE框架，通过多轮智能体推理强化证据搜索与验证的交互，在图像地理定位任务中优于强检索增强基线，以4B模型媲美更大模型。
可发现的智能体知识——智能体知识图谱能力的形式化框架（扩展版）
机构 * School of Computer Science and Informatics, University of Liverpool, UK（利物浦大学计算机科学与信息学学院） ； Open University（开放大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文提出一个四维形式化框架（语义表达性、智能体可发现性、任务相对基础性和认知信任范围），并从中推导出智能体能力概况（AAP），作为VoID和DCAT之上的语义层，支持智能体在规划时进行原则性的知识图谱选择、组合和故障诊断。
引用安全性作为AI评估的新范式
机构 * University College London（伦敦大学学院） ； Alan Turing Institute（艾伦·图灵研究所） ； King's College London（国王学院伦敦）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 针对AI系统持续更新导致评估标识不稳定问题，提出引用安全性范式，通过将模型身份作为可验证属性来确保评估的可重复性、纵向审计有效性和跨提供商等价性。
AutoSG: 仅从任务提示出发的LLM驱动的昂贵优化求解器生成
机构 * Xidian University（西安电子科技大学） ； Victoria University of Wellington（威灵顿维多利亚大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出AutoSG框架，通过检索增强生成、单步自优化和无实例评估机制，从自然语言提示直接生成可执行定制求解器，解决昂贵优化中的幻觉、结构破坏和评估成本问题。
MTLLFM: 多模态时间笑声定位——UR-FUNNY-Temporal和SMILE-Temporal基准数据集与自适应多模态融合模型
机构 * WSC-Sports（WSC-体育）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 针对现有方法无法精确捕捉短暂笑声事件时间边界的问题，本文提出两个完全标注的时间笑声数据集（UR-FUNNY-Temporal和SMILE-Temporal）和一个轻量级弱监督框架，通过固定HuBERT和MAE编码器结合时间softmax池化与自适应模态门控，实现从片段级标签到帧级时间定位，在体育广播数据上达到99% F1和68.1%定位精度，并将下游笑声推理CIDEr提升227%。
Comments Accepted to the Workshop on Affective & Behavior Analysis in-the-wild, CVPR 2026
理解数据时间性对大型语言模型预训练的影响
机构 * Kyutai
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 研究预训练数据顺序对大型语言模型获取时间敏感事实知识的影响，通过构建包含7000多个时间相关问题的基准并训练60亿参数模型，发现按时间顺序训练比随机打乱训练能产生更及时和精确的知识。
Meta-Agent：从任务描述到经过验证的多智能体系统
机构 * Dartmouth College（达特茅斯学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出Meta-Agent两阶段框架，通过任务规划、网络搜索、代码生成和验证机制，自动从自然语言任务描述构建并执行可靠的多智能体系统，在编码、上下文学习和开放推理任务中提升成功率、错误恢复和工作流稳定性。
基于规约的代码-文本-代码重构：面向LLM介导的软件演化
机构 * EPAM Systems（EPAM系统） ； McLean, Virginia, USA（美国弗吉尼亚州麦莱恩） ； Lviv, Ukraine（乌克兰利沃夫） ； Kyiv, Ukraine（乌克兰基辅）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出一种基于规约的Code2Text2Code重构框架，通过将源代码转换为中性文本规约并迭代验证，解决直接Code2Code转换中的语义漂移、行为变化等问题，实现受控的LLM介导软件演化。
Comments 15 pages, 9 figures, 7 tables, 39 references
AION：下一代时间序列任务与实用框架
机构 * Griffith University（格里菲斯大学） ； Shenzhen University（深圳大学） ； Zhejiang University（浙江大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 针对时间序列研究向结合预测、上下文推理、工具使用和结构化决策支持的现实任务转变，提出AION框架，通过时间锚定、知识推理和可靠性机制（如实验后分析和分层审查）实现更详细的过程追踪和审查步骤。
Comments Project page and code are available at https://github.com/ztxtech/aion
CLIP引导的SAM：用于可提示分割的参数高效语义条件
机构 * University of Regina, Regina, SK, Canada（里贾纳大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 提出CLIP-Guided SAM框架，通过轻量级多模态语义适配器将CLIP特征注入SAM图像编码器，实现内部语义条件化，在低标注数据下提升分割性能并支持手动和半自动两种模式。
PoseRefer: 用于语义基础指代消解的通路-局部参数
机构 * KTH Royal Institute of Technology（皇家理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出PoseRefer架构，通过解耦姿态和文本通路并冻结MiniLM类别嵌入，在MM-Conv数据集上实现31.9%的top-1准确率，并揭示融合准确性可能受类别表示伪影影响。
Comments ICRA 2026 Workshop on Semantics for Reliable Robot Autonomy: From Environment Understanding and Reasoning to Safe Interaction
通过先验增强的音频大语言模型统一语音编辑检测与内容定位
机构 * Key Laboratory of Aerospace Information Security（航空信息安全与可信计算重点实验室） ； School of Cyber Science and Engineering（网络安全工程学院） ； Wuhan University（武汉大学） ； Independent Researcher（独立研究员） ； School of Computer Science and Technology（计算机科学与技术学院） ； Anhui University（安徽大学） ； Communication University of China（中国通信大学） ； Beihang University（北京航空航天大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出基于音频大语言模型的统一框架，通过生成式方法联合处理语音编辑检测和内容定位，并引入先验增强策略和声学一致性损失以提升性能。
通过类比教学：教育类比生成的模块化流水线
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出一个模块化流水线，将教育类比生成分解为四个阶段，基于结构映射理论，评估12个LLM在两个数据集上的表现，发现子概念显著提升解释质量和封闭检索精度，并引入LLM作为评判的评估方法。
Comments 36 pages, 25 figures. To appear in Proceedings of the 21st Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2026)
机器心理测量学：一种人工智能的数学心理学
机构 * Evolutionairy AI
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 针对人工智能评估中忽视心理结构或过度拟人化的两种错误，本文引入机器心理测量学，通过测量潜在行为、元认知、沟通和自我建模倾向，构建机器心智档案和信任协议，以测量而非判断来理解非人类智能体。
Comments 45 pages, 11 figures
TIE：面向事件视频生成的时间区间编码
机构 * University of Science and Technology of China（中国科学技术大学） ； Matrix Team（Matrix团队） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； University of Waterloo（滑铁卢大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； Zhongguancun Academy（中关村学院） ； The University of Hong Kong（香港大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出时间区间编码（TIE），将旋转位置嵌入推广为区间感知形式，解决扩散变换器（DiT）在重叠事件视频生成中时间区间无法表示的问题，显著提升时间可控性。
AutoResearch AI：迈向人工智能驱动的科研自动化以实现科学发现
机构 * Huazhong University of Science and Technology（华中科技大学） ； Lehigh University（莱斯大学） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学） ； Salesforce Research（Salesforce研究） ； Squirrel AI Learning（Squirrel AI学习） ； Northwestern University（西北大学） ； Independent（独立） ； Shanghai Jiao Tong University（上海交通大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Chinese University of Hong Kong（香港中文大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； Google Cloud AI Research（谷歌云AI研究） ； Recursive Superintelligence（递归超级智能） ； Microsoft Research（微软研究院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本文综述了AI驱动的科研工作流自动化（AutoResearch）的发展，分析了从任务级AI到工作流级研究自动化的转变，并提出了五个评估维度（新颖性、有效性、影响力、可靠性和溯源），指出自主性受领域条件限制。
Comments 49 pages, 12 figures, 10 tables
将人物组合在一起：面向多人交互场景的迭代姿态-图像生成
机构 * Cornell University（康奈尔大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出一种双姿态-图像表示方法，将人物结构先验引入预训练扩散Transformer，通过跨模态对齐和迭代场景构建，提升多人交互图像生成的提示对齐度和场景多样性。
Comments Accepted to SIGGRAPH Conference Papers 2026. 22 pages, 12 figures. Project page: https://cornell-vailab.github.io/PeopleComposer/
MUSEKG：博物馆藏品知识图谱
机构 * The University of Melbourne School of Computing（墨尔本大学计算机与信息系统学院） ； The University of Melbourne（墨尔本大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出MuseKG系统，通过将异构博物馆数据组织为类型化知识图谱，支持自然语言查询和关系感知探索。
Comments SIGIR'26
通过句子级早期干预缓解对象幻觉
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； The Chinese University of Hong Kong（香港中文大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出SENTINEL框架，通过句子级早期干预和领域内偏好学习，无需人工标注即可显著减少多模态大语言模型的对象幻觉，并在幻觉和通用能力基准上超越现有方法。
DriveMA: 重新思考驾驶VLAs中的语言接口以单步元动作
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出DriveMA，通过单步元动作替代传统的自然语言推理，解决了驾驶VLAs中语言接口的三个瓶颈问题，实现了更高效的端到端规划。
Comments We withdraw this submission because the current version contains a mismatch between the paper title, conceptual framing, and the intended contribution of the work. To avoid potential misunderstanding by readers, the authors have decided to withdraw this version and substantially revise the title, organization, and presentation before any future submission
AEGIS：一个评估人工智能生成学术图像取证分析的综合基准
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出AEGIS基准，通过七个学术类别和39个细粒度子类型覆盖，揭示了人工智能生成学术图像取证分析的内在难度，同时评估了多种模型在检测、推理和定位方面的性能，揭示了不同模型家族的互补优势。
Comments Accepted to ACL 2026 Main Conference
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