近日，中国科学院合肥物质院智能所农业大模型与具身智能研究团队在多模态大语言模型方面的三篇科研论文，分别被多媒体领域国际顶会ACM MM 2026、机器学习领域国际顶会NeurIPS 2026及中国科学院一区Top期刊IEEE Transactions on Circuits and Systems for Video Technology（IEEE TCSVT）接收发表。
类别增量学习旨在使模型持续学习新类别的同时保留已有知识，但现有方法通常假设同一类别的外观形态保持不变，难以适应昆虫生长、植物成熟等场景中的形态演化。为此，研究团队提出了一种阶段感知类别增量学习范式Stage-CIL，并构建了首个面向该任务的多领域评测基准Stage-Bench。该基准涵盖动物、植物及人造物体等10个领域，共包含200个类别、400个形态阶段及18895幅图像，系统衡量模型的类间遗忘与类内阶段遗忘。研究团队进一步提出了演化感知学习框架STAGE，通过固定容量的演化记忆池，将语义身份与形态演化解耦，利用初始阶段表征预测后续阶段形态，并结合回放机制维持已有知识。实验结果表明，STAGE在Stage-Bench的主要持续学习指标上均优于现有对比方法，有效缓解了形态演化带来的识别性能退化，为动态场景中的持续视觉学习提供了新思路。相关研究以“When Classes Evolve: A Benchmark and Framework for Stage-Aware Class-Incremental Learning”为题被ACM MM 2026接收。
多模态大语言模型在评估图像质量时，往往依赖全局视觉信息，难以捕捉高分辨率图像中的细微局部失真；而直接引入局部裁剪，又容易将自然景深模糊误判为图像退化，或形成“裁剪即低质量”的错误关联。为此，研究团队提出了一种上下文感知的智能体图像质量评估框架Q-Probe。该框架模拟人类由全局感知、局部审视到综合判断的观察过程，主动定位关键区域，结合全局与局部信息分析失真影响。同时，研究团队构建了面向高分辨率细粒度局部退化分析的评测基准Vista-Bench，并设计了强化学习预训练、混合分辨率监督微调与强化学习后训练的三阶段训练策略，提升质量判断与工具调用能力。实验结果表明，Q-Probe在Vista-Bench上的斯皮尔曼等级相关系数和皮尔逊线性相关系数分别达到0.801和0.850，并在多项跨分辨率评测中取得良好表现，为高分辨率图像质量评价提供了有效路径。相关研究以“Q-Probe: Scaling Image Quality Assessment to High Resolution via Context-Aware Agentic Probing”为题被NeurIPS 2026接收。
多模态大语言模型在细粒度视觉推理中，通常通过局部裁剪获取图像细节，但现有免训练方法普遍存在无差别裁剪引起的感知冗余，以及语义意图与空间注意力偏移导致的定位不准等问题。为此，研究团队提出了一种无需额外训练的自适应视觉推理框架LookWise，使模型能够自主判断“何时需要仔细看”与“应该看哪里”。该框架首先利用初次回答的词元置信度评估全局信息是否充分，仅在必要时触发局部视觉增强；随后从问题中提取关键目标语义，通过语义引导的定位机制精准聚焦相关图像区域，并融合全局图像与局部细节完成推理。实验结果表明，LookWise在多项细粒度及高分辨率视觉推理基准上持续提升模型准确率，相较搜索式方法ZoomEye实现了约4倍的推理加速，并展现出良好的跨模型泛化能力，为兼顾细粒度感知与推理效率提供了新方案。相关研究以“LookWise: Knowing When and Where to Look for Fine-Grained Visual Reasoning in Multimodal Large Language Models”为题被IEEE TCSVT接收。
上述研究得到了国家自然科学基金、中央引导地方科技发展基金及安徽省自然科学基金的支持。
农业大模型与具身智能研究团队由智能所黄河研究员、谢成军研究员牵头组建而成。研究团队面向智慧农业、工业自动化等领域开展计算机视觉、模式识别、多模态大模型与智能体等关键技术攻关，研发出国内首个植保垂直领域病虫害识别大模型，构建无人农场“感知-决策-执行”技术体系并在多地开展示范应用。近年来，团队在NeurIPS、CVPR等国际顶会及AIA、IEEE Transactions系列等权威期刊发表论文50余篇，承担国家自然科学基金、国家重点研发计划、中国科学院重大科研项目等30多项，获得安徽省科技进步一等奖、国家数据要素X大赛应用实践奖等多项荣誉。
论文链接：https://arxiv.org/abs/2602.00573
论文链接：https://arxiv.org/abs/2601.15356
论文链接：https://arxiv.org/abs/2603.00171
图1 Stage-Bench数据集
图2 STAGE演化感知学习框架图
图3 Q-Probe三阶段训练框架
图4 Vista-Bench与训练数据构建流程
