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。
ABot-OCR 技术报告
机构 * AMAP CV Lab（AMAP视觉实验室）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出端到端视觉语言模型ABot-OCR，通过单次前向传播将页面图像直接转录为干净Markdown，并采用解耦异构文档优化的强化学习方法提升文本准确性和标记格式正确性，在OmniDocBench基准上达到最先进水平。
Comments 21 pages, 11 figures, technical report
RAVE: 重新分配大型多模态模型中的视觉注意力
机构 * Qwen Business Unit of Alibaba（阿里巴巴文勤业务部） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Beijing Institute of Technology（北京理工大学）
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV
AI总结 针对大型多模态模型中标准注意力机制存在的跨模态误分配和视觉内不平衡问题，提出轻量级成对门控机制RAVE，通过学习查询-键偏置重新分配视觉注意力，在多个多模态基准上平均提升3个百分点，尤其对感知密集型任务效果显著。
感知-然后-规划：以布局为策略的单目3D场景布局估计
机构 * Department of Computer Science（计算机科学系） ； Dartmouth College（达特茅斯学院）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出Perceive-then-Plan框架，通过视觉语言模型将单目3D布局估计转化为感知与迭代规划问题，以布局为策略（LaP）学习动作序列逐步优化场景假设，生成更物理一致且与观测对齐的3D布局。
Comments 21 pages
TextSculptor: 训练和评估场景文本编辑
机构 * Beijing Jiaotong University（北京交通大学） ； Bytedance（字节跳动）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出TextSculptor框架，通过构建大规模数据集和基准测试，解决场景文本编辑中高质量训练数据稀缺和缺乏标准化评估的问题，提升开源模型性能。
FastOCR: 通过KV缓存剪枝实现高效的动态视觉聚焦文档解析
机构 * Tsinghua University（清华大学）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出FastOCR，一种无需训练的框架，通过动态视觉聚焦技术解决文档解析中的高效KV缓存剪枝问题，显著提升处理速度和准确性。
UniPPTBench: 一种统一的演示生成基准，适用于多样化的输入设置
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出UniPPTBench，一个统一的演示生成基准，针对四种代表性的输入设置：模糊提示、长文档、多模态文档和多源生成，同时引入UniPPTEval评估协议，结合跨设置比较的共享指标和针对每个设置核心需求的定制指标，以提供更准确的评估框架。
ChartDesign: 向数据可视化设计的LLM设计师迈进
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
专题命中 文档图表理解 ：vision language model(abstract)；分类 cs.AI
AI总结 本文提出ChartDesign，利用大语言模型生成数据可视化设计属性，提升图表设计性能，实现84%的准确率，并在未见领域中表现出色。
PlotPick: 基于AI的科学图表中数值数据批量提取工具
机构 * Copenhagen Research Centre for Biological and Precision Psychiatry（哥本哈根生物与精准精神病学研究中心） ； Mental Health Centre Copenhagen（哥本哈根心理健康中心） ； Copenhagen University Hospital（哥本哈根大学医院）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 PlotPick利用视觉语言模型批量提取科学图表中的结构化表格数据，六个VLMs在ChartX和PlotQA基准测试中均优于专用模型DePlot，尤其在未包含在训练数据中的图表类型上表现更佳。
Comments 7 pages, 2 figures, 2 tables. Software available at https://plotpick.streamlit.app and https://github.com/tommycarstensen/plotpick
CasLayout：基于级联3D布局扩散的室内场景合成与隐式关系建模
机构 * MAIS, Institute of Automation, Chinese Academy of Sciences and School of Artificial Intelligence, University of Chinese Academy of Sciences（MAIS，自动化研究所，中国科学院，人工智能学院，中国科学院大学） ； Tsinghua University（清华大学） ； SKLMS, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（系统科学研究所，中国科学院） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 文档图表理解 ：vision language model(abstract)；分类 cs.CV
AI总结 CasLayout通过级联扩散框架将场景生成分解为四个阶段，结合物理与语义约束，提升生成效率与可控性，实现高质量室内场景合成。
Comments SIGGARPH 2026 (Journal Track), Code: https://github.com/YingruiWoo/CasLayout
ShredBench：评估多模态大语言模型在文档重建中的语义推理能力
机构 * Xidian University（西安电子科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； Alibaba Qwen（阿里巴巴量子计算实验室） ； Old Dominion University（旧 Dominion 大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出ShredBench基准，用于评估多模态大语言模型在文档重建任务中的语义推理能力，发现现有模型在处理破碎文档时存在显著性能差距。
Comments ACL 2026 Findings. Code available at https://github.com/ythere-y/ShredBench
UNIKIE-BENCH：用于视觉文档中关键信息提取的大型多模态模型基准测试
机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； Alibaba Group, Hangzhou, China（阿里巴巴集团）
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出UNIKIE-BENCH基准，用于评估大型多模态模型在视觉文档关键信息提取中的性能，揭示了不同场景下模型的性能差异及挑战。
DWTSumm：基于离散小波变换的文档摘要
机构 * School of Engineering and Applied Science, George Washington University（乔治华盛顿大学工程与应用科学学院） ； Faculty of Computers and Artificial Intelligence, Cairo University（开罗大学计算机与人工智能学院） ； Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.LG
AI总结 本文提出一种基于离散小波变换的多分辨率框架，用于长文档摘要，通过分解文本为全局和局部成分，提升摘要的语义相似性和事实一致性。
PlotChain: 多模态大语言模型在工程图表阅读中的确定性检查点评估
机构 * Independent Researcher, San Francisco, CA, USA（独立研究者，美国加州旧金山）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 PlotChain提出了一种确定性的基于生成器的评估基准，用于评估多模态大语言模型在工程图表阅读中的性能，通过检查点实现子技能诊断和故障定位，展示了不同模型在图表阅读任务中的表现差异。
相同内容，不同答案：多模态大语言模型中的跨模态不一致
机构 * University of Amsterdam（阿姆斯特丹大学） ； City of Amsterdam（阿姆斯特丹市） ； University of Technology Nuremberg（努尔堡技术大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出REST和REST+基准测试，评估多模态大语言模型的跨模态不一致性。研究发现，即使在相同语义信息下，不同模态的推理结果也不一致，且OCR错误和视觉特征影响模型性能。
Comments Accepted at CVPR 2026. Angela van Sprang and Laurens Samson contributed equally as first authors
InstructTable: 通过指令提升表格结构识别
机构 * Meituan（美团） ； Beijing Institute of Technology（北京理工大学）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出InstructTable框架，通过指令引导多阶段训练提升表格结构识别，结合指令预训练和细调，构建BCDSTab基准，实现在复杂表格识别中的最优性能。
Comments 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition- FINDINGS Track (CVPRF)
这张图表在欺骗我吗？自动化检测误导性可视化
机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE（普遍知识处理实验室（UKP实验室）、计算机科学系、图腾斯大学（TU Darmstadt）及应用网络安全国家研究中心ATHENE） ； Department of Electrical Engineering, KU Leuven（电子工程系、鲁文大学） ； Department of Computer Science, KU Leuven（计算机科学系、鲁文大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 研究提出Misviz基准测试集和合成数据集，用于自动化检测误导性可视化，发现该任务仍极具挑战性。
Comments Camera-ready version accepted at ACL 2026 Main conference. Code and data available at: https://github.com/UKPLab/acl2026-misviz
PILOT：一种可提示的交错布局感知OCR变压器
机构 * univ-rouen（鲁昂大学） ； LITIS（LITIS研究所） ； Malakoff Humanis（马拉科夫人类研究所）
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV
AI总结 PILOT提出一种统一的OCR模型，通过交错布局感知和提示条件生成，实现手写和印刷文档的文本识别与空间定位，优于传统OCR和端到端HTR模型。
GlotOCR Bench: OCR模型在超过少数Unicode脚本之外仍面临困难
机构 * LMU Munich（慕尼黑大学） ； TU Munich（慕尼黑工业大学） ； MCML ； Sorbonne Université & CNRS, ISIR（索邦大学与CNRS，ISIR）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 GlotOCR Bench评估OCR在100+Unicode脚本上的泛化能力，发现大多数模型在少于十种脚本上表现良好，最强模型也难以泛化到三十种以上脚本，表明当前OCR系统依赖语言模型预训练。
PaperScope：一种多模态多文档基准，用于跨大规模科学论文的智能深度研究
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.AI
AI总结 PaperScope提出一个多模态多文档基准，用于评估智能深度研究能力，包含2000多个跨领域问题，验证了现有系统在长上下文检索和多源推理中的局限性。
通过代理和谐化提升跨不一致标注数据集的布局表示学习
机构 * Unstructured Technologies
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出利用视觉-语言模型在异质数据源中协调类别语义和边界框粒度，提升文档布局检测的准确性与一致性。
Comments 12 pages, 6 figures, 5 tables
CSPO：缓解结构化表格到LaTeX生成中的奖励模糊性
机构 * Beijing Jiaotong University（北京交通大学） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出CSPO框架，通过分离LaTeX表格组件的优化，缓解奖励模糊性，提升结构化生成的可靠性。
Comments Accepted by ACL2026 (main conference)
CountLoop：通过迭代代理指导实现无训练的高实例图像生成
机构 * University of Surrey（萨里大学） ； Universitat Autònoma de Barcelona（巴塞罗那自治大学） ； Simon Fraser University（西蒙菲莎大学）
专题命中 文档图表理解 ：VLM(abstract)；分类 cs.CV
AI总结 CountLoop通过迭代反馈机制实现高密度场景下的精确实例控制，结合视觉语言模型生成布局和评估反馈，减少计数误差并提升空间质量。
SDesc3D：面向布局感知的短描述驱动的3D室内场景生成
机构 * Xidian University（西安电子科技大学） ； Sun Yat-sen University（中山大学）
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出SDesc3D框架，通过多视角结构先验和区域功能暗示实现短描述驱动的3D室内场景生成，提升物理合理性和细节丰富度。
FinCriticalED：一个用于金融事实级OCR的视觉基准
机构 * Columbia University（哥伦比亚大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； New York University（纽约大学） ； University of Minnesota（明尼苏达大学） ； Halmstad University（哈尔姆斯塔德大学） ； Harvard University（哈佛大学） ； University of Manchester（曼彻斯特大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出FinCriticalED基准，用于评估OCR和视觉语言模型在金融关键证据上的保真度，发现数值和货币单位是最脆弱的事实类型，揭示了词汇准确性和事实可靠性之间的差距。
Comments Xueqing Peng: Corresponding-Author
多模态和对话式AI对学习成果和体验的影响
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本研究比较了三种生物学学习方法，发现多模态对话式AI在学习成果和体验上表现最佳，但文本仅对话式AI虽易用但效果最差，揭示了认知负荷理论下的学习效果与感知之间的差异。
Comments 16 pages, 3 figures, Accepted to AIED 2026 (Seoul, South Korea)
MM-ReCoder：通过强化学习和自我校正推进图表到代码生成
机构 * Brown University（布朗大学） ； Amazon AGI（亚马逊AGI）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 MM-ReCoder通过强化学习和自我校正机制提升图表到代码生成能力，其两阶段多轮自我校正策略基于Group Relative Policy Optimization，提升代码准确性和可执行性。
Comments CVPR 2026
一张图片足矣：通过单张图片对视觉文档检索增强生成进行污染攻击
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； University College London（伦敦大学学院）
专题命中 文档图表理解 ：vision language model(abstract)；分类 cs.CV
AI总结 本文研究了视觉文档检索增强生成（VD-RAG）对污染攻击的脆弱性，通过单张恶意图片实现针对性和通用性攻击，展示了VD-RAG在目标和通用设置下的漏洞，但在黑盒攻击下表现出一定的鲁棒性。
Comments Published in Transactions on Machine Learning Research (03/2026)
Journal ref Transactions on Machine Learning Research (TMLR), 2026
基于视觉-语言模型的可微射线追踪：用于快速且准确的多材料射频参数估计
专题命中 文档图表理解 ：VLM(abstract)；分类 cs.CV
AI总结 本文提出一种基于视觉-语言模型的可微射线追踪框架，通过解析场景图像推断材料类别并指导射频参数估计，实现更快的收敛速度和更低的参数误差。
ArtLLM: 通过3D语言模型生成拟合资产
机构 * ShanghaiTech University（上海科技大学） ； Tencent Hunyuan（腾讯混元） ； HKUST（香港科技大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 ArtLLM通过3D语言模型直接从完整3D网格生成高质量拟合资产，解决了传统方法在关节拟合和部分检索中的局限，提升了部分布局和关节预测的准确性。
Comments CVPR 2026. Project page: https://authoritywang.github.io/artllm/
A$^3$：迈向广告审美评估
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所） ； School of Information and Electronic Engineering, East China Normal University（华东师范大学信息与电子工程学院） ； School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出A$^3$框架，通过理论驱动的A$^3$-Law、大规模标注数据集A$^3$-Dataset、多模态大语言模型A$^3$-Align及基准A$^3$-Bench，解决广告审美评估中主观性、缺乏标准等问题。
Comments Accepted to 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