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。
DeltaPrompts: 逃离多模态蒸馏中的零delta陷阱
机构 * NVIDIA Research（NVIDIA研究院）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出DeltaPrompts，通过量化教师与学生之间的答案分歧（Δ）来生成高分歧的推理问题，从而解决传统蒸馏中因零delta提示导致的学习信号不足问题，实验表明DeltaPrompts在多个场景下显著提升了模型性能。
SA-IQA: 重新定义空间美学的图像质量评估：多维奖励
机构 * Alibaba Group（阿里巴巴集团）
专题命中 文档图表理解 ：MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 SA-IQA通过多维奖励框架系统评估室内场景的美学质量，利用SA-BENCH基准提升AIGC生成流程和图像质量。
Comments Accepted to CVPRW 2026. Code: https://github.com/AlibabaResearch/SA-IQA
基于标记的建筑：一种用于布局合成的Transformer
机构 * Higharc ； University of Calgary（卡尔加里大学）
专题命中 文档图表理解 ：VLM(abstract_cn)；分类 cs.CV、cs.LG
AI总结 本文提出SBM模型，通过统一建筑元素的异质特征集生成布局合成的Transformer架构，实现高保真房间嵌入和功能布局生成。
Comments 7 pages, 2 page References, 3 figures
一个用于检测 GPT-Image-2 生成的含丰富文本图像的多领域基准
机构 * College of Computer Science（计算机科学学院）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对现有基准缺乏文本丰富图像检测的问题，构建了包含8602张图像、覆盖6个类别的多领域基准，评估5种检测器，发现性能高度依赖领域且易受JPEG压缩影响。
用于流程图图像到代码生成的在线无参考评估框架
机构 * Nanyang Technological University（南洋理工大学） ； AUMOVIO Singapore（AUMOVIO新加坡） ； VinUniversity（文理大学）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对流程图图像到代码生成在生产中无真实代码难以评估输出质量的问题，提出无参考评估框架，通过RecallOCR和PrecisionVE两个指标及调和均值F1OCR-VE监测生成质量，在FlowVQA数据集验证了其可靠性。
Comments This manuscript was inadvertently made publicly available before all necessary internal review processes had been completed. The authors are withdrawing the manuscript
FieldWorkArena：面向真实作业任务的代理AI基准测试
机构 * Fujitsu Limited（富士通株式会社） ； Fujitsu Research of America（富士通美国研究部） ； Carnegie Mellon University（卡内基梅隆大学） ； Master’s Student, The University of Tokyo（东京大学硕士研究生） ； Agent Research Collective（代理研究集体）
专题命中 文档图表理解 ：MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出FieldWorkArena，用于评估代理AI在真实制造业和零售环境中的性能，通过现场采集的数据和实地访谈设计任务，验证多模态大语言模型的评估可行性。
Comments 27 pages, 10 figures, 7 tables [ICPR 2026 Accepted] Changes from previous version: added supplemental material
MME-VideoOCR：评估多模态大语言模型在视频场景中基于OCR的能力
机构 * Kling Team（Kling团队） ； PKU（北京大学） ； THU（清华大学） ； CASIA（中国科学院自动化研究所） ； CUHKSZ（香港科技大学） ； NTU（国立台湾大学） ； NJU（南京大学） ； XJTU（吉林大学）
专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文推出MME-VideoOCR视频OCR基准，评估18个最先进MLLMs的视频OCR能力，发现现有模型在需视频整体理解的任务中表现有限，最优模型准确率仅73.7%，明确了高分辨率输入等对视频OCR的重要性。
Comments Accepted by NeurIPS 2025
DATAREEL：基于动画的自动化数据驱动视频故事生成
机构 * York University（约克大学） ； Bangladesh University of Business and Technology（孟加拉国商业与技术大学） ； RBC, Canada（加拿大RBC） ； Nanyang Technological University（南洋理工大学） ； Salesforce AI Research（Salesforce人工智能研究）
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DataReel基准，通过328个真实故事评估模型生成动画数据视频故事的能力，采用多智能体框架提升自动化生成效果。
Comments Under Review
ArtChart：一个用于忠实生成艺术图表并集成文本渲染的基准测试
机构 * Ant Group（蚂蚁集团）
专题命中 文档图表理解 ：VLM(abstract)；分类 cs.CV
AI总结 研究旨在解决艺术图表生成难题，提出ArtChart框架，含特定即插即用模块及强化学习等策略，构建基准测试和评估套件，实验证明该框架能生成兼具美观与数学准确性的图表，优于开源基线。
HOLODECK 2.0：基于视觉-语言的3D世界生成与编辑
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Cornell University（康奈尔大学）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 HOLODECK 2.0通过视觉-语言模型生成高质量3D场景并支持交互式编辑，提升游戏设计效率。
GDP.pdf：针对专业PDF文档的基础多模态推理基准测试
机构 * Surge AI
专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV
AI总结 该研究针对专业PDF文档构建多模态推理基准测试GDP.pdf，由专业人员编写问题-文档对，通过严格筛选保留问题，有详细评分标准和能力分类。评估七个前沿模型，发现多数错误源于特定模式，公开了完整基准测试。
Comments 9 pages. v2: results updated to July 2026 leaderboard (17 models). Accepted at the 2nd Workshop on Knowledge-Intensive Multimodal Reasoning (KnowledgeMR) at CVPR 2026 (non-archival), under the former title "PDFParse: A Benchmark for Grounded Multimodal Reasoning over Professional PDF Documents". Dataset: https://huggingface.co/datasets/surgeai/GDP.pdf ; Code: https://github.com/surge-ai/gdp-pdf
CreatiParser: 从位图图形设计生成可编辑的图层
机构 * School of Information Science and Technology, University of Science and Technology of China（科学技术大学信息科学与技术学院） ； ByteDance Intelligent Creation（字节跳动智能创作） ； School of Computer Science and Technology, Harbin Institute of Technology (Weihai)（哈尔滨工业大学（威海）计算机科学与技术学院） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合国家科学中心人工智能研究院）
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CreatiParser框架，将位图图形设计分解为可编辑的文本、背景和贴纸图层，结合视觉语言模型和多分支扩散架构，提升生成质量与编辑灵活性，实验显示在Parser-40K和Crello数据集上性能优于现有方法。
UniRec-0.1B：具有1亿参数的统一文本和公式识别
机构 * Fudan University（复旦大学）
专题命中 文档图表理解 ：vision-language model(abstract)；分类 cs.CV
AI总结 研究旨在实现文本和公式的统一识别，提出含1亿参数的UniRec-0.1B模型。通过构建大规模数据集，应对层次结构变异性和语义纠缠等挑战，引入分层监督训练和语义解耦分词器。实验证明该模型优于同类，且速度大幅提升，有效且高效。
Comments Accepted by ECCV 2026
面向结构化数据搜索的引导式表格检索
专题命中 文档图表理解 ：grounding(abstract)
AI总结 该研究针对结构化数据库自然语言问答任务，提出四阶段引导式表格检索流程，在BIRD-DEV和BEAVER基准上取得优于基线的准确率与F1值，生成的精确连接树可直接供下游查询编译器使用。
基于强化学习的黑盒检索文档优化
机构 * Stanford University（斯坦福大学） ； ContextualAI
专题命中 文档图表理解 ：vision language model(abstract)
AI总结 提出通过强化学习（GRPO）优化文档表示，使其与目标检索器的查询分布对齐，仅需黑盒访问检索排名，在代码和视觉文档检索任务中提升性能，使小模型超越大模型。
对异构科学提取文档中表格提取的基准测试
专题命中 文档图表理解 ：vision language model(abstract)
AI总结 本文提出了一种新的基准测试，用于评估端到端表格提取方法，通过分析评估指标和设计严谨的评估流程，揭示了当前方法在异构数据下的局限性。
Comments Extended version, with appendices, of a paper published at KDD '26
SlideAgent：用于多页视觉文档理解的分层代理框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； J.P. Morgan AI Research（摩根大通AI研究）
专题命中 文档图表理解 ：multimodal large language model(abstract)
AI总结 提出SlideAgent，一种用于多模态多页文档（如幻灯片）理解的分层代理框架，通过全局、页面和元素三级推理构建结构化表示，在专有和开源模型上分别提升7.9%和9.8%的准确率。
Comments ACL 2026 Main Conference. https://slideagent.github.io/
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