grounding

介绍了 MINARD，一个从科学图表及其论文生成带旁白、区域定位的讲解视频的流水线，以及 FigTalk 基准和新的定位指标。

本文介绍了一个措辞控制的基准测试，用于衡量视觉语言模型在多大程度上依赖文本先验而非图像内容。在十一个模型上的实验表明，当文本泄漏最小时，性能显著下降，作者证明上下文学习和GRPO后训练可以减少这种依赖。

提出Reroute，一种无需训练的视觉语言模型插件，用可恢复的路由替代不可逆的视觉令牌剪枝，允许令牌在后续阶段重新进入流水线，从而在激进的令牌缩减下提升接地性能，同时保持VQA性能。

介绍GATE（从执行结果中测试后接地）方法，该方法从执行反馈中自举缺失的语义接地，以处理文本到SQL任务中未明确指定的用户短语，持续提升超越强基线。

NVIDIA研究人员开发了一种技术，通过消除VLM基础模型用于自动回归逐token预测的步骤，将边界框检测速度提升了10倍。

本文表明，通过随机物理探索训练世界模型，能够在不依赖任何语言监督的情况下，使潜在表征编码出空间语义结构（方向和位置），突显物理几何作为组织原则。

本文介绍了将图对齐拓扑作为接地检测的归纳偏置，使用图神经网络对参考信息与LLM输出之间的对齐结构进行建模。该方法在多个幻觉和问答数据集上取得了最先进的结果，性能优于GPT-4o。

本文介绍了Text2Opt-Bench，一个可扩展的文本到优化基准，并发现大语言模型在“绑定”（问题数据接地）方面存在困难，而非“建模”（选择优化结构）。作者提出了BIND，一种简单的推理时方法，将数值数据外部化，显著提高了各模型的准确率。

对RAG客户支持聊天机器人的详细评估揭示：检索问题常被误认为是LLM问题，启发式评估器具有误导性，去重可提升质量，严格基于文档的约束会在帮助性和准确性之间取舍，而模型扫查可在提升性能的同时大幅降低成本。

本文介绍了基于依据的延续（Grounded Continuation），一种用于LLM对话的线性时间运行时验证器，它维护一个显式依赖图，以检测下一句话是否得到先前对话的支持，在包括LongMemEval和LoCoMo的基准测试中，相比基线取得了准确率提升。

Falcon Perception 是由 TII UAE 发布的 0.6B 参数早期融合 Transformer 模型，用于基于自然语言提示的开放词汇定位与分割，采用混合注意力机制和专用头（specialized heads）设计。

本文提出了一种用于检索增强生成的实时验证系统，可处理长达32K token的文档，通过自适应推理策略在延迟与验证覆盖之间取得平衡。其为构建可靠的RAG系统提供了实用指导。

DeepMind推出FACTS Grounding，这是一个包含1,719个示例的全面基准测试，用于评估大语言模型在源材料中的事实依据能力以及避免幻觉的准确性。该基准包括一个公开数据集和一个在线Kaggle排行榜，用于追踪LLM在事实准确性和事实依据任务上的表现。

Recognize Anything Model (RAM) 是一个强大的图像标注模型，具备零样本泛化能力，现已与 Grounded-Segment-Anything 结合，用于开放集目标检测和分割，性能显著超越 CLIP 和 BLIP。