视觉大模型 / VLM

Co-RedTeam: Orchestrated Security Discovery and Exploitation with LLM Agents

Co-RedTeam: 基于LLM代理的协同安全发现与利用

Pengfei He, Ash Fox, Lesly Miculicich, Stefan Friedli, Daniel Fabian, Burak Gokturk, Jiliang Tang, Chen-Yu Lee, Tomas Pfister, Long T. Le

机构 * Google（谷歌） ； Google Cloud AI Research（谷歌云人工智能研究） ； Michigan State University（密歇根州立大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 Co-RedTeam通过整合安全知识、代码分析和执行反馈，提升漏洞发现与利用的自动化水平，实现超过60%的漏洞利用成功率。

SlowFocus: Enhancing Fine-grained Temporal Understanding in Video LLM

SlowFocus: 提升视频大语言模型中的细粒度时间理解

Ming Nie, Dan Ding, Chunwei Wang, Yuanfan Guo, Jianhua Han, Hang Xu, Li Zhang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Noah’s Ark Lab, Huawei（华为诺亚实验室） ； Yinwang Intelligent Technology Co., Ltd.（亿万象智能科技有限公司） 纠错

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

AI总结 SlowFocus通过提升等效采样频率和引入多频率混合注意力模块，提升视频大语言模型对细粒度时间理解的能力。

Comments NeurIPS 2024

AffordanceGrasp-R1:Leveraging Reasoning-Based Affordance Segmentation with Reinforcement Learning for Robotic Grasping

affordanceGrasp-R1: 利用基于推理的 affordance 分割与强化学习进行机器人抓取

Dingyi Zhou, Mu He, Zhuowei Fang, Xiangtong Yao, Yinlong Liu, Alois Knoll, Hu Cao

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

AI总结 AffordanceGrasp-R1 通过结合推理和强化学习，提升机器人抓取任务中的推理能力和空间定位，实验表明其在基准和现实场景中均表现优异。

Comments Preprint version

A3-TTA: Adaptive Anchor Alignment Test-Time Adaptation for Image Segmentation

A3-TTA：面向图像分割的自适应锚对齐测试时间适应

Jianghao Wu, Xiangde Luo, Yubo Zhou, Lianming Wu, Guotai Wang, Shaoting Zhang

机构 * School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China（电子科技大学机械与电子工程学院） ； Shanghai AI laboratory（上海人工智能实验室） 纠错

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

AI总结 A3-TTA通过锚引导监督和自适应策略提升图像分割在域偏移下的适应性能，显著提高Dice分数并优于现有方法。

Comments Accepted by IEEE Transactions on Image Processing

Towards Considerate Embodied AI: Co-Designing Situated Multi-Site Healthcare Robots from Abstract Concepts to High-Fidelity Prototypes

迈向体贴的具身AI：从抽象概念到高保真原型的多站点医疗机器人协同设计

Yuanchen Bai, Ruixiang Han, Niti Parikh, Wendy Ju, Angelique Taylor

机构 * Cornell Tech / Cornell University（康奈尔科技/康奈尔大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 本文提出通过协同设计方法，从抽象概念到高保真原型，开发多站点医疗机器人，以减少医疗场景中的非增值任务负担。

Comments To appear in Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI 2026)

Large Language Models Can Take False First Steps at Inference-time Planning

大语言模型在推理时间规划中可能采取错误的初始步骤

Haijiang Yan, Jian-Qiao Zhu, Adam Sanborn

机构 * Department of Psychology, The University of Warwick（沃里克大学心理学系） ； Department of Psychology, The University of Hong Kong（香港大学心理学系） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 研究揭示了大语言模型在推理过程中因自我生成上下文积累导致的规划行为偏差，并通过实验验证了规划能力随上下文变化而变化的机制。

CIEC: Coupling Implicit and Explicit Cues for Multimodal Weakly Supervised Manipulation Localization

CIEC: 通过隐式和显式线索耦合实现多模态弱监督操作定位

Xinquan Yu, Wei Lu, Xiangyang Luo, Rui Yang

机构 * School of Computer Science and Engineering（计算机科学与工程学院） ； MoE Key Laboratory of Information Technology（信息技术关键实验室） ； Key Laboratory of Information Security Technology（信息安全技术重点实验室） ； Sun Yat-sen University（中山大学） ； State Key Laboratory of Mathematical Engineering and Advanced Computing（数学工程与先进计算国家重点实验室） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 CIEC通过耦合隐式和显式线索，实现多模态弱监督操作定位，利用粗粒度标注提升图像-文本对的定位效果。

Efficient Cross-Country Data Acquisition Strategy for ADAS via Street-View Imagery

通过街景影像实现ADAS的高效跨国数据采集策略

Yin Wu, Daniel Slieter, Carl Esselborn, Ahmed Abouelazm, Tsung Yuan Tseng, J. Marius Zöllner

机构 * CARIAD SE ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Esslingen University of Applied Sciences（埃森哲应用科学大学） ； FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究中心） 纠错

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

AI总结 本文提出基于街景影像的高效跨国ADAS数据采集策略，通过两种POI评分方法提升数据采集效率，实验表明在使用较少数据的情况下能实现与随机采样相当的性能。

Research on World Models Is Not Merely Injecting World Knowledge into Specific Tasks

世界模型的研究并非仅仅是将世界知识注入特定任务

Bohan Zeng, Kaixin Zhu, Daili Hua, Bozhou Li, Chengzhuo Tong, Yuran Wang, Xinyi Huang, Yifan Dai, Zixiang Zhang, Yifan Yang, Zhou Liu, Hao Liang, Xiaochen Ma, Ruichuan An, Tianyi Bai, Hongcheng Gao, Junbo Niu, Yang Shi, Xinlong Chen, Yue Ding, Minglei Shi, Kai Zeng, Yiwen Tang, Yuanxing Zhang, Pengfei Wan, Xintao Wang, Wentao Zhang

机构 * Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

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

AI总结 本文提出统一的世界模型设计规范，强调其应整合交互、感知、符号推理和空间表示，以实现更通用和稳健的世界模型。

Comments 13 pages, 4 figures

Beyond Output Critique: Self-Correction via Task Distillation

超越输出批评：通过任务蒸馏实现自我纠正

Hossein A. Rahmani, Mengting Wan, Pei Zhou, Longqi Yang, Nick Craswell, Emine Yilmaz, Sujay Kumar Jauhar

机构 * AI Center, University College London（伦敦大学学院人工智能中心） ； Microsoft（微软） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 SELF-THOUGHT通过任务蒸馏引入任务抽象步骤，提升大型和小型语言模型的自我纠正能力，提高准确性和鲁棒性。

MRAD: Zero-Shot Anomaly Detection with Memory-Driven Retrieval

MRAD: 无监督异常检测中的记忆驱动检索

Chaoran Xu, Chengkan Lv, Qiyu Chen, Feng Zhang, Zhengtao Zhang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

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

AI总结 MRAD通过记忆驱动检索实现无监督异常检测，利用记忆库提升异常分类和分割性能。

Contamination Detection for VLMs using Multi-Modal Semantic Perturbation

使用多模态语义扰动检测VLMs中的污染

Jaden Park, Mu Cai, Feng Yao, Jingbo Shang, Soochahn Lee, Yong Jae Lee

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； Kookmin University（韩国庆北大学） 纠错

专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.LG

AI总结 本文提出了一种基于多模态语义扰动的检测方法，用于识别和验证受污染的视觉语言模型。

Comments Accepted at ICLR 2026

GLEAM: Learning to Match and Explain in Cross-View Geo-Localization

GLEAM: 在跨视图地理定位中学习匹配与解释

Xudong Lu, Zhi Zheng, Yi Wan, Yongxiang Yao, Annan Wang, Renrui Zhang, Panwang Xia, Qiong Wu, Qingyun Li, Weifeng Lin, Xiangyu Zhao, Peifeng Ma, Xue Yang, Hongsheng Li

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

AI总结 GLEAM提出了一种结合多模态、多视角对齐与可解释对应分析的CVGL方法，通过双阶段训练策略提升精度并增强可解释性。

Comments 23 pages

Domain Adaptation of Attention Heads for Zero-shot Anomaly Detection

注意力头域适应用于零样本异常检测

Kiyoon Jeong, Jaehyuk Heo, Junyeong Son, Pilsung Kang

机构 * Department of Industrial and Management Engineering, Korea University（韩国大学工业与管理工程系） ； Department of Industrial Engineering, Seoul National University（首尔国立大学工业工程系） 纠错

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

AI总结 HeadCLIP通过域适应注意力头实现零样本异常检测，提升工业和医疗领域异常检测性能。

MATRIX: A Multimodal Benchmark and Post-Training Framework for Materials Science

MATRIX: 一种用于材料科学的多模态基准和后训练框架

Delia McGrath, Curtis Chong, Rohil Kulkarni, Gerbrand Ceder, Adeesh Kolluru

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 MATRIX通过多模态后训练提升材料科学推理，展示视觉引导对实验解释和文本任务的显著改进。

Comments 17 pages, 9 Figures, submitted

YOLOE-26: Integrating YOLO26 with YOLOE for Real-Time Open-Vocabulary Instance Segmentation

YOLOE-26: 将 YOLO26 与 YOLOE 结合用于实时开放词汇实例分割

Ranjan Sapkota, Manoj Karkee

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 YOLOE-26 结合 YOLO26 和 YOLOE，通过统一框架实现实时开放词汇实例分割，采用多尺度特征聚合和嵌入空间匹配，提升效率与准确性。

User Prompting Strategies and Prompt Enhancement Methods for Open-Set Object Detection in XR Environments

面向XR环境的开放集目标检测中的用户提示策略与提示增强方法

Junfeng Lin, Yanming Xiu, Maria Gorlatova

机构 * Department of Electrical and Computer Engineering, Duke University（电子工程系，杜克大学） 纠错

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

AI总结 本文提出针对XR环境中的开放集目标检测，通过研究用户提示策略和增强方法，提升模型在模糊提示下的鲁棒性，实验结果显示提示增强可使mIoU提升超过55%。

Comments Accepted by IEEE VR 2026: GenAI-XR workshop

High-quality generation of dynamic game content via small language models: A proof of concept

通过小型语言模型实现高质量动态游戏内容生成：概念验证

Morten I. K. Munk, Arturo Valdivia, Paolo Burelli

机构 * brAIn lab\ University of Copenhagen Copenhagen Denmark ； \&\ Power Labs Copenhagen Denmark ； Data Science Section\ University of Copenhagen Copenhagen Denmark ； brAIn lab\ University of Copenhagen ； \&\ Power Labs ； Data Science Section\ University of Copenhagen 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 本文提出通过激进微调小型语言模型生成高质量动态游戏内容的方法，并通过概念验证展示其在实时生成中的可行性。

Hybrid$^2$ Neural ODE Causal Modeling and an Application to Glycemic Response

混合$^2$神经ODE因果建模及其在糖化反应中的应用

Bob Junyi Zou, Matthew E. Levine, Dessi P. Zaharieva, Ramesh Johari, Emily B. Fox

机构 * Institute for Computational and Mathematical Engineering, Stanford University（计算与数学工程研究所，斯坦福大学） ； Broad Institute of MIT and Harvard（哈佛大学与麻省理工学院Broad研究所） ； Department of Pediatrics, Stanford University（斯坦福大学儿科系） ； Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系） ； Department of Statistics and Department of Computer Science, Stanford University（斯坦福大学统计系与计算机科学系） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 本文提出了一种混合神经ODE模型，通过引入因果损失来提升因果有效性，应用于1型糖尿病患者运动后葡萄糖动态建模，实现预测性能与因果有效性的双赢。

Journal ref Proceedings of the 41st International Conference on Machine Learning, PMLR 235:62934-62963, 2024

BayesFlow: A Probability Inference Framework for Meta-Agent Assisted Workflow Generation

BayesFlow: 一个用于元代理辅助工作流生成的概率推断框架

Bo Yuan, Yun Zhou, Zhichao Xu, Kiran Ramnath, Aosong Feng, Balasubramaniam Srinivasan

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon Web Services AI Lab（亚马逊网络服务人工智能实验室） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 BayesFlow通过贝叶斯推断和并行前瞻滚动实现工作流生成的原理性改进，提升准确性达9-65个百分点。

Comments EACL 2026 Finding

Riemannian Lyapunov Optimizer: A Unified Framework for Optimization

Riemannian Lyapunov Optimizer：一种优化的统一框架

Yixuan Wang, Omkar Sudhir Patil, Warren E. Dixon

机构 * Department of Mechanical and Aerospace Engineering（机械与航空航天工程系） ； University of Florida（佛罗里达大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 Riemannian Lyapunov Optimizer通过控制理论框架统一优化算法，提供稳定有效的优化器设计方法。

Comments 22 pages, 4 figures

KID: Knowledge-Injected Dual-Head Learning for Knowledge-Grounded Harmful Meme Detection

KID: 基于知识注入的双头学习用于知识引导的有害迷因检测

Yaocong Li, Leihan Zhang, Le Zhang, Qiang Yan

机构 * School of Economics and Management, Beijing University of Posts and Telecommunications（经济管理学院，北京邮电大学） ； College of Computing, Beijing Information Science and Technology University（计算机学院，北京信息科技大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 KID通过知识注入和双头学习框架，提升有害迷因检测的准确性与泛化能力。

Text-driven Online Action Detection

基于文本的在线动作检测

Manuel Benavent-Lledo, David Mulero-Pérez, David Ortiz-Perez, Jose Garcia-Rodriguez

机构 * Department of Computer Technology, University of Alicante（阿拉维大学计算机技术系） ； ValgrAI - Valencian Graduate School and Research Network of Artificial Intelligence（瓦伦西亚人工智能研究生学校和研究网络） ； Institute of Informatics Research, University of Alicante（阿拉维大学信息研究所） 纠错

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

AI总结 本文提出TOAD模型，利用CLIP文本嵌入实现高效的零样本和少样本在线动作检测，其在THUMOS14数据集上的mAP达到82.46%

Comments Published in Integrated Computer-Aided Engineering

Journal ref Integrated Computer-Aided Engineering. 2025;32(4):415-423

Faster Predictive Coding Networks via Better Initialization

通过更好的初始化提升预测编码网络的速度

Luca Pinchetti, Simon Frieder, Thomas Lukasiewicz, Tommaso Salvatori

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Institute of Logic and Computation, Vienna University of Technology（维也纳技术大学逻辑与计算研究所） ； VERSES AI Research Lab（VERSES AI研究实验室） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 本文提出了一种改进的初始化方法，通过优化预测编码网络的初始化以提升训练效率和性能。

Concept Component Analysis: A Principled Approach for Concept Extraction in LLMs

概念成分分析：一种用于大语言模型中概念提取的原则性方法

Yuhang Liu, Erdun Gao, Dong Gong, Anton van den Hengel, Javen Qinfeng Shi

机构 * Australian Institute for Machine Learning, The University of Adelaide（澳大利亚机器学习研究所，阿德莱德大学） ； School of Computer Science and Engineering, The University of New South Wales（计算机科学与工程学院，新南威尔士大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 本文提出概念成分分析（ConCA）方法，通过无监督线性解混从LLM中提取可解释概念，提供理论支持优于现有SAEs方法。

TRACER: Texture-Robust Affordance Chain-of-Thought for Deformable-Object Refinement

TRACER: 适用于变形物体细化的纹理鲁棒触觉链

Wanjun Jia, Kang Li, Fan Yang, Mengfei Duan, Wenrui Chen, Yiming Jiang, Hui Zhang, Kailun Yang, Zhiyong Li, Yaonan Wang

机构 * School of Artificial Intelligence and Robotics, Hunan University（人工智能与机器人学院，湖南大学） ； National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University（机器人视觉感知与控制技术国家工程研究中心，湖南大学） 纠错

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

AI总结 TRACER通过纹理鲁棒触觉链框架，提升变形物体在复杂纹理下的触觉识别精度和长视界任务成功率。

Comments The source code and dataset will be made publicly available at https://github.com/Dikay1/TRACER

DiSa: Saliency-Aware Foreground-Background Disentangled Framework for Open-Vocabulary Semantic Segmentation

DiSa：面向开放词汇语义分割的视觉-语义解耦框架

Zhen Yao, Xin Li, Taotao Jing, Shuai Zhang, Mooi Choo Chuah

机构 * Department of Computer Science and Engineering, Lehigh University（计算机科学与工程系，莱恩大学） ； Department of Computer Science（计算机科学系） ； Engineering, Lehigh University（工程系，莱恩大学） ； Qualcomm AI Research（高通人工智能研究） 纠错

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

AI总结 DiSa通过显著性感知解耦框架和分层细化模块，有效解决开放词汇语义分割中前景偏见和空间定位不足的问题，提升分割精度。

Comments 19 pages, 11 figures

Mem2ActBench: A Benchmark for Evaluating Long-Term Memory Utilization in Task-Oriented Autonomous Agents

Mem2ActBench: 一个评估面向任务的自主代理长期记忆利用的基准

Yiting Shen, Kun Li, Wei Zhou, Songlin Hu

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 Mem2ActBench是一个评估自主代理利用长期记忆执行任务能力的基准，通过合成工具使用任务验证记忆应用的有效性。

Mind the Gap: The Divergence Between Human and LLM-Generated Tasks

注意差距：人类与LLM生成任务之间的差异

Yi-Long Lu, Jiajun Song, Chunhui Zhang, Wei Wang

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 研究揭示了人类与LLM在任务生成中的核心差异，指出人类受心理驱动影响，而LLM在生成具身目标方面存在不足。

Agentic Design Patterns: A System-Theoretic Framework

代理设计模式：一种系统理论框架

Minh-Dung Dao, Quy Minh Le, Hoang Thanh Lam, Duc-Trong Le, Quoc-Viet Pham, Barry O'Sullivan, Hoang D. Nguyen

机构 * University College Cork ； Vietnam National University（越南国家大学） ； IBM Research Ireland（IBM爱尔兰研究） ； Trinity College Dublin（都柏林三一学院） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

AI总结 本文提出了一种系统理论框架，通过分解代理AI系统为五个核心功能子系统，提出12种代理设计模式，以解决代理设计中的重复问题，提升自主系统的模块化和可靠性。