视觉大模型 / VLM

Bridging Expert Knowledge and Automated Feature Engineering via Self-Evolution

通过自进化桥接专家知识与自动化特征工程

Varun Khurana, Vijval Ekbote, Vashu Chauhan, Yaman Kumar Singla, Rajiv Ratn Shah, Balaji Krishnamurthy

机构 * Adobe Media and Data Science Research（Adobe媒体与数据科学研究） ； IIIT-Delhi（德里印度理工学院） 纠错

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

AI总结 提出FEST方法，结合双流特征生成、语义去重和树引导迭代进化，从原始文本和图像中发现可审计特征，在品牌分类等任务中平均提升4.2个百分点，并实现60-80%的专家特征覆盖。

OmniCap-IF: Benchmarking and Improving Instruction Following Abilities for Omni-Video Captioning

OmniCap-IF：全视频字幕遵循指令能力的基准测试与改进

Jiahao Wang, An Ping, Yanghai Wang, Yuanxing Zhang, Shihao Li, Hanyan Bian, Yichi Ren, Yize Zhang, Han Wang, Haowen Chen, Junze Li, Jiaqi Wang, Yiyang Hu, Zhuze Xu, Zijie Zhang, Jiaheng Liu

机构 * NJU-LINK Team, Nanjing University（南京大学 NJU-LINK 团队） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） 纠错

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

AI总结 提出首个全模态字幕指令遵循基准OmniCap-IF，通过格式与内容正确性评估50种约束类型，揭示格式-内容权衡，并构建54K指令微调数据集OmniCap-IF-54K及模型OmniCaptioner-IF。

VideoWeaver: Evaluating and Evolving Skills for Agentic Long Video Generation

VideoWeaver: 评估与进化智能体长视频生成技能

Jianhui Wei, Jie Tan, Hengchuan Zhu, Xiaotian Zhang, Yan Zhang, Ziyi Chen, Daoan Zhang, Wei Xu, Zuozhu Liu

机构 * Zhejiang University（浙江大学） ； ByteDance（字节跳动） 纠错

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

AI总结 提出VideoWeaver框架，让智能体自主组合基础技能生成视频，并设计智能体裁判评估过程与结果，通过技能进化算法提升生成质量。

Aligned but Not Partner-Specific: Distinguishing How Multimodal LLM Agents Succeed in Reference Games Without Human-Like Conventions

对齐但非伙伴特定：区分多模态LLM智能体在参考游戏中如何成功而无需类人惯例

Po-Ya Angela Wang, Chinmaya Mishra, Aslı Özyürek, Paula Rubio-Fernández, Esam Ghaleb

机构 * National Taiwan University（国立台湾大学） ； Max Planck Institute for Psycholinguistics（马克斯·普朗克心理语言学研究所） ； Radboud University（拉德堡德大学） ； Institut Jean Nicod（让·尼科研究所） 纠错

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

AI总结 通过约束伪对基线方法，区分多模态LLM智能体在参考游戏中的标签对齐是源于伙伴特定交互还是共享任务词汇，发现智能体通过冗长描述而非压缩表达实现协调。

Wispy to Voluminous: Prior-free Multi-view Capture of Strand-level Facial Hair

从稀疏到浓密：无先验的多视角面部毛发级联重建

Jaeseong Lee, Giljoo Nam, Adrian Jarabo, Carlos Aliaga

机构 * KAIST（韩国科学技术院） ； Meta Codec Avatar Lab（Meta 编码人像实验室） ； Meta Reality Labs Research（Meta现实实验室） 纠错

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

AI总结 提出从多视角图像自动重建面部毛发（胡须、眉毛等）的管线，将无结构3D高斯表示转换为显式曲线发丝，解决几何歧义，实现高保真发丝重建。

Comments 27 pages, 16 figures, supplementary included

DALE-CT: Depth-Aware Foundation Models for Computed Tomography

DALE-CT: 用于计算机断层扫描的深度感知基础模型

Evan W. Damron, Mahmut S. Gokmen, Mitchell A. Klusty, Caroline N. Leach, Emily B. Collier, V. K. Cody Bumgardner

机构 * University of Kentucky（肯塔基大学） 纠错

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

AI总结 提出DALE-CT，一种基于LeJEPA的2D切片模型，通过3D深度感知预训练（利用解剖掩膜和异常标注）提升表示质量，在CT多异常检测中达到与3D视觉语言模型近似的性能。

Comments 9 pages, 2 figures

AnchorWorld: Embodied Egocentric World Simulation with View-based Evolution Customization

AnchorWorld: 基于视图演化定制的具身自我中心世界模拟

Yu Li, Menghan Xia, Gongye Liu, Xintao Wang, Conglang Zhang, Lei Ke, Yuxuan Lin, Ruihang Chu, Pengfei Wan, Kun Gai, Yujiu Yang

机构 * Tsinghua University（清华大学） ； HUST（华中科技大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； HKUST（香港科技大学） ； WHU（武汉大学） 纠错

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

AI总结 提出AnchorWorld框架，利用3D人体运动和外源视角辅助训练增强交互完整性，并通过锚点视图和文本描述实现自我演化世界的灵活定制，显著优于现有方法。

TOPSIS-RAD: Ranking According to Desires

TOPSIS-RAD：根据期望排序

Leonardo Fernandes Costa, Helder Gomes Costa, Diogo Lima, Brunno Rodrigues

机构 * Universidade Federal Fluminense（联邦弗里蒙特大学） ； Leonardo Sistemas Consultoria LTDA（莱昂纳多咨询公司） 纠错

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

AI总结 提出TOPSIS-RAD方法，通过引入决策者定义的否决绩效水平和期望绩效水平，解决传统TOPSIS排序与决策者需求不一致、对异常值敏感及排名反转问题。

Comments 21 pages, 15 Tables and 6 figures. The numerical computation of the data that appear in the Toy Examples was Supported by the Visual TOPSIS RAD that is available at https://topsis-ranking.vercel.app/. The data of the Toy examples are also available in this URL and can be loaded in the app as the template "Article"

PEN-STACK: A non-fabricating tool layer for language-model agents in genome writing

PEN-STACK：用于基因组写作的语言模型智能体的非制造工具层

Anees Ahmed Mahaboob Ali, Radhakrishnan Delhibabu, Everette Jacob Remington Nelson

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本研究提出PEN-STACK工具层，为基因组写作的语言模型智能体提供可靠来源的工具，可消除数量伪造，经测试能提升生物安全，为智能体基因组工程系统提供了开源基底。

TaPeR: Probabilistic Recovery of Sparse Task Precedence Graphs from a Handful of Demonstrations

TaPeR：从少量演示中概率恢复稀疏任务优先关系图

Adrian Röfer, Karla Stepanova, Abhinav Valada

机构 * University of Freiburg（弗莱堡大学） ； Czech Technical University（捷克技术大学） ； Czech Institute of Informatics, Robotics, and Cybernetics（捷克信息学、机器人学与控制论研究所） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 TaPeR方法仅用运动学图和物体位姿分布，从少量演示中恢复更准确的稀疏任务优先关系图，可生成机器人的多种有效执行顺序。

Comments 8 pages, 5 figures, 3 tables, under review

Disentangling Structure and Semantics: How Schema Representation Affects LLM-Based SQL Generation

解耦结构与语义：模式表示如何影响基于大语言模型（LLM）的SQL生成

Daniel Yitian Su, Sophie Yiran Su, Qiang Sun, Yihao Ding, Wei Liu

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文通过6×3析因实验发现，基于LLM的文本转SQL中，语义线索对性能的影响大于结构线索，有意义的标识符可弥补结构缺失，而丰富结构元数据无法改善名称不明确的情况。

Comments Work in progress

Energy-Mamba: A Physics-Constrained State-Space Model for Medical Image Classification

Energy-Mamba：用于医学图像分类的物理约束状态空间模型

Mohamed Mabrok, Yalda Zafari, Essam A. Rashed

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 Energy-Mamba将物理约束融入Mamba状态空间模型，解决医学图像分类的表征漂移问题，在四个医学图像数据集上以更少参数实现了最优分类性能。

Comments This paper was accepted to the MICCAI 2026 workshop MLMI

An Evidence-Grounded Multi-Agent System for High-Level Bio-Robot Design

一种基于证据的用于高层生物机器人设计的多智能体系统

Yujun Chen, Tianle Li, Jiayu Chen, Zhen Yin

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 该研究提出基于 Qwen3.5-27B 的 micro_biorobot_agent 多智能体系统，用于高层生物机器人设计，在评估中得分领先，来源追踪检查可显著降低错误缺口。

Comments 15 pages, 2 figures, 9 tables, and 4 algorithms

An Agentic RAG and Evaluation Framework for Assurance Case Generation: Industrial Use Case for the EU Cyber Resilience Act Compliance

用于保障案例生成的智能检索增强生成与评估框架：欧盟网络弹性法案合规性的工业用例

Fariz Ikhwantri, Iker Lasa Ojanguren, Dusica Marijan, Maria I. Maslioukova, José Arias Marin, Pavlos Kosmides

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 该研究提出基于智能RAG的保障案例生成与评估框架，通过案例研究验证其可自动化欧盟网络弹性法案合规评定，减少人工并提升证据可追溯性。

Comments 6 pages, accepted at ISSRE 2026 (Industry track)

Persona-Guided LLM Agents for Task-Oriented Dialogue

面向任务型对话的角色引导大语言模型智能体

Maryam Shoaeinaeini, Brent Harrison, A. B. Siddique

机构 * University of Kentucky（肯塔基大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 该研究构建无需训练的框架，通过三种情境评估多模型在SGD数据集上的表现，发现适应用户人格存在权衡，Try情境的线索式适应可更可靠实现感知人格的任务型对话。

Comments 8 pages

TraceSQL: Traceable Answerability Estimation for Reference-Free Text-to-SQL Verification

TraceSQL：无参考文本到SQL验证的可追踪答案性估计

Neelesh Kumar Shukla, Debasmita Panda, Srutanik Bhaduri, Aditya Banerjee, Viji Krishnamurthy

机构 * Oracle Corporation（甲骨文公司） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 针对无参考文本到SQL验证的可追踪性不足问题，提出基于67种诊断特征的轻量模型TraceSQL，在BIRD数据集上优于基线模型，可提供可追溯的预测证据。

Comments 9 pages main paper with 6 pages supplementary material

FTA-Mem: Fact-Time-Affect Anchored Memory for Low-Density Long-Term Dialogue

FTA-Mem：面向低密度长期对话的事实-时间-情感锚定记忆

Chang Liu, Shuyi Zhang, Changsheng Ma, Yongfeng Tao, Minqiang Yang, Bin Hu

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文提出FTA-Mem结构化记忆框架，通过BWS形成情境片段并构建FTA单元，在ES-MemEval等数据集上提升了低密度长期对话的记忆问答性能，实现了证据保留与构建成本的有效权衡。

Principled Authority Switching for Shared Autonomy in Human-Robot Teams

人机协作团队中共享自主的原则性权限切换

Sandeep Banik, Naira Hovakimyan

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文提出一种合作博弈论框架，用于解决人机共享自主中的权限切换问题，推导了线性二次系统下最优切换策略的闭式递推式，验证了其在不同系统场景下的有效性，揭示了人类适应性与自主效率的权衡。

Comments 8 pages, 7 figures, accepted at IEEE RO-MAN 2026

Skill2Query: Exploiting Skill Structure to Generate Pseudo-Queries for Agent Skill Retrieval

Skill2Query：利用技能结构生成智能体技能检索的伪查询

Lihui Ding, Zihan Guo, Bingwei Lu, Chenyu Zhou, Yuanjian Zhou, Weinan Zhang, Jianghao Lin, Dongdong Ge

机构 * Fudan University（复旦大学） ； Sun Yat-sen University（中山大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 Skill2Query是利用技能知识图谱生成伪查询的框架，可提升多类检索性能，生成的训练数据表现最优，还能提高智能体任务成功率。

PLSQLBench: Benchmarking LLM Systems for Executable Procedural Database Programming

PLSQLBench：面向可执行过程式数据库编程的大语言模型系统基准测试

Marianne Menglin Liu, Leonid Boytsov, Daniel W. Peterson, Pramuditha Perera, Rongguang Wang, Sai Ashish Somayajula, Syed Hamza Rafique, Rohit Saini, Shubham Pathak, Sujeeth Bharadwaj, Tao Sheng, Graham Horwood, Fahad Shah, Ankan Bansal, Sujith Ravi, Dan Roth

机构 * Oracle AI, Turing Enterprise Inc（Oracle AI 图灵企业公司） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本研究提出首个过程式数据库编程基准PLSQLBench，含2865个任务实例，经8个LLM实验发现其在多方面存在困难，工具增强智能体性能有提升但仍有差距，凸显了传统基准未覆盖的能力。

$\texttt{Flip-Team}$: Cooperative Takeover Games with Stochastic Human Override

Flip-Team：带随机人工干预的协作接管游戏

Sandeep Banik, Naira Hovakimyan

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文提出带随机人工干预的协作博弈论框架，将共享自主系统的控制切换问题建模为利益一致的动态博弈，推导线性二次系统的最优切换策略闭式递推式，验证了其在不同系统下的有效性，揭示人类适应性与自主效率的权衡。

Comments 8 pages, 7 figures, accepted at IEEE CDC 2026

SAP-Nav: Spatial Semantic Representation Meets Active Perception for Hierarchical Open-Vocabulary Object Navigation

SAP-Nav：空间语义表示与主动感知结合的分层开放词汇对象导航

Xuetong Pei, Jian Liu, Vidura Munasinghe, Bo Miao, U-Xuan Tan, Wenrui Ding, Na Zhao

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 该研究提出SAP-Nav框架，结合空间语义表示与主动感知，解决分层开放词汇对象导航问题，在基准测试中性能最优且真实场景可行，无需特定训练或预计算场景地图。

Who Are You Explaining To? A Multi-Agent System for Audience-Aware XAI Narratives

你在向谁解释？面向受众感知的XAI叙事多智能体系统

Francesco Musicco, Danilo Danese, Giuseppe Fasano, Angela Lombardi, Alberto Carlo Maria Mancino, Tommaso Di Noia

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 针对现有XAI叙事无法适配不同受众的问题，提出XstrAI多智能体框架，结合三类LLM智能体与修正循环，在糖尿病、中风风险预测任务中，其叙事适配性与保真度优于多数基线。

VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding

VeriForge：通过混合式主动脚手架缓解叙事创作中的潜在知识缺口

Ruqi Sun, Jiaping Li, Wenhui Tao, Ximing Zheng, Yuefeng Tan, Jiahao Wei, Yuxin Ma

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 VeriForge是混合式主动写作系统，通过主动内联高亮、双流查询、空间知识画布三种机制，帮助作者识别叙事创作中的潜在知识缺口，提升领域知识整合能力，获用户与专家认可。

Comments 14 pages, 5 figures, Accepted by UIST'26

MDB-Link: Hierarchical Schema Linking for Multi-Database Text-to-SQL

MDB-Link：面向多数据库Text-to-SQL的分层模式链接方法

Beiyu Xu, Zhenyu Wu, Jiaoyan Chen, Riza theresa Batista-navarro

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文针对多数据库Text-to-SQL场景提出分层模式链接框架MDB-Link，结合LLM实现数据库定位与列选择，在多个数据集上性能及运行速度均优于基线方法，可高效支撑SQL生成。

Biomedical Knowledge Composition: A Software Engineering Perspective

生物医学知识构建：软件工程视角

Natallia Kokash, Adam S. Z. Bellouma, Paola Grosso

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文从软件工程视角，阐述生物医学知识图谱的核心地位与相关挑战，提出需借鉴Web工程的可组合可复现实践，为生物医学知识基础设施构建提供研究议程。

Rethinking Higher Education: From Fixed Curricula to Learnity Graphs

重新思考高等教育：从固定课程到学习图谱（Learnity Graphs）

Smadar Szekely, Judith Gal-Ezer, David Harel

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本文针对高等教育在AI时代的转型需求，提出以学习图谱为核心的终身学习框架，整合多类学习以拓展传统课程的培养维度。

Comments 10 pages, 5 figures

EvalConvoLearn: An Open-Source Framework for Evaluating Grounded Learner Simulations in Tutoring Conversations

EvalConvoLearn：一个用于评估辅导对话中具身学习者模拟的开源框架

Baptiste Moreau-Pernet

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 EvalConvoLearn是评估辅导对话中学习者模拟的开源框架，从学习行为与对话质量两个维度开展评估，验证了其在辅导对话数据集上的有效性并公开了代码。

Comments Poster at the Impactful and Responsible AI Systems for Education workshop, as part of the Festival of Learning 2026

EpiBench: Can LLMs Understand Epitopes for Antibody Drug Discovery?

EpiBench：大型语言模型能否为抗体药物发现表位？

Zirui Wang, Jiaqi Wang, Qinghan Wang, Yuzhi Xu, Gang Du, Tingjun Hou, Odin Zhang

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 本研究提出用于评估大型语言模型表位推理能力的基准EpiBench，发现现有通用LLMs在抗体药物发现相关表位推理上仍存局限，为改进序列感知型生物医学LLMs提供了测试平台。

Escaping the Self-Repair Trap: Improving Test Oracle Generation via Dual-Context Awareness

跳出自修复陷阱：通过双上下文感知改进测试预言生成

Kefan Li, Hongyue Yu, Yuan Yuan

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 针对迭代自修复引发的自修复陷阱问题，提出非迭代高效框架DCAware，结合结构化静态上下文与动态状态，在低计算成本下提升测试预言的故障检测效果

Comments Accepted to ASE 2026