ECCV2026 LLM Agent 论文解读论文笔记 Agent 多模态推理模型压缩布局/合成

🦾 LLM Agent¶

🎞️ ECCV2026 · 36 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (8) · 📷 CVPR2026 (44) · 🔬 ICLR2026 (209) · 💬 ACL2026 (121) · 🧪 ICML2026 (83) · 🤖 AAAI2026 (59)

🔥 高频主题： Agent ×13 · 多模态 ×7 · 推理 ×3 · 模型压缩 ×2 · 布局/合成 ×2

MolmoWeb: Open Visual Web Agent and Open Data for the Open Web: MolmoWeb 将结构化网页教师产生的轨迹、人工示范与 GUI 感知监督统一为截图条件下的动作学习，使 8B 视觉网页智能体在 WebVoyager 上达到 78.2% 的单次成功率，并通过并行尝试达到 94.7% 的 pass@4；主要贡献是可复现的数据与训练配方，而非新规划架构。
QuantV2X: A Fully Quantized Multi-Agent System for Cooperative Perception: QuantV2X 提出首个全量化多智能体 V2X 协作感知系统，通过端到端量化神经网络模型和通信消息表征，在 INT4/INT8 低比特下保持全精度模型 99.8% 的感知精度，同时将系统端到端延迟降低 3.2 倍，在 V2X-Real 数据集上 mAP30 反超全精度基线 +9.5。
GUI-AIMA: Aligning Intrinsic Multimodal Attention with a Context Anchor for GUI Grounding: GUI-AIMA 用末尾锚点词元、按指令自适应的注意力头加权和图块监督，将多模态模型已有的注意力转化为 GUI 点击定位器，3B 模型用 509k 条指令训练后在 ScreenSpot-Pro 上达到单步 53.8%、裁剪放大两步 61.5% 的准确率。
PPTArena: A Benchmark for PowerPoint Editing: PPTArena 将真实演示文稿的原位编辑变成同时检查结构正确性和视觉质量的基准，并以混合代码/OOXML 执行及反思校验的 PPTPilot 获得全量 IF/VQ 2.57/2.69，但距离可靠完成复杂编辑仍有明显差距。
A Benchmark and Multi-Agent System for Instruction-driven Cinematic Video Compilation: 论文提出影视指令混剪基准 CineBench，以及先理解原片、再规划并执行剪辑的免训练系统 CineAgents，在该基准上取得 64.13 的镜头级 F1、52.09% 的时序正确率和 87.23% 的不可能指令拒绝率。
Automatic Method Illustration Generation for AI Scientific Papers via Drawing Middleware Creation, Evolution, and Orchestration: FigAgent 把论文方法图中的常用视觉组件变成可调用、可进化的绘图函数，再由多智能体通过前瞻搜索组合成可编辑 SVG，在 FigAgentBench 上将节点对齐 F1 从 PaperBanana 的 46.3 提高到 51.4。
Narrative-Driven Paper-to-Slide Generation via ArcDeck: ArcDeck 先用篇章关系树保留论证依赖，再以全局承诺约束多智能体修订大纲，最后生成可编辑幻灯片；在 ArcBench 上，GPT-4o 生成、GPT-5 评审时的叙事流评分为 43.25，高于 SlideGen 的 30.75，但尚未达到作者制作幻灯片的整体质量。
GUIDE: Resolving Domain Bias in GUI Agents through Real-Time Web Video Retrieval and Plug-and-Play Annotation: GUIDE 是一个免训练、即插即用的框架，通过从 YouTube 教程视频中自动检索并提取领域专用的规划知识（Planning）和定位知识（Grounding），注入 GUI Agent 的对应模块来消除领域偏置（domain bias），在 OSWorld 上为三种不同架构的 agent 带来 +4.47 到 +7.48 个百分点的提升。
Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile Manipulation: REAL 让 Qwen3-VL-8B 在不读取特权物体状态的工具接口中学习“先探索、必要时询问、再操作”，经 SFT 和在线 GSPO 后在 REAL-Bench 的交互子集达到 56.9% 成功率，并将高层策略零样本迁移到真机，在 60 次任务中达到 78.3%。
HippoCamp: Benchmarking Contextual Agents on Personal Computers: HippoCamp 将个人电脑中的异构文件组织为三个隔离的用户原型环境，用 581 个有文件证据的问题同时评测事实保留与用户画像；最强受测系统的画像回答正确率仅为 48.3%，说明找到相关文件距离可靠理解用户仍有明显差距。
Knowledge-Centric Agents for Workflow Generation in ComfyUI: 本文从真实 ComfyUI 工作流反推出策略、推理说明与骨架伪代码，再用分层 SFT 和自我修订把用户指令逐级还原为可执行图，在自建测试集上将 ComfyAgent 的平均 Pass / Resolve 从 36.4% / 29.4% 提升至 86.9% / 61.1%，但外部 ComfyBench 子集的 Resolve 仍只有 25.0%。
Learn2Fold: Structured Origami Generation with World Model Planning: 把折纸折叠序列生成建模成折痕图（crease pattern, CP）上的条件程序归纳：LLM 依据文本目标提出结构化折叠动作，学到的图结构世界模型在执行前用短程 rollout 预测残差状态与逐边违规概率，再由确定性 Level-0 约束内核做硬核验，用 MPC 前瞻搜索选出可执行序列，在 25 类折纸基准上把步级 F1 从最强基线的 0.266 提到 0.739、类别成功率（macro）从 0.675 提到 0.891。
NaLA: A 3D Native LLM Layout Agent for High-quality 3D Scene Generation: NaLA 提出了一种直接编码 3D 点云的大语言模型布局智能体，通过粗到细的位姿预测机制实现高质量、高效率的 3D 场景生成，在物理合理性、语义一致性和美观度上全面超越现有方法。
ProMSA:Progressive Multimodal Search Agents for Knowledge-Based Visual Question Answering: ProMSA 把知识型视觉问答改成有预算的“检索、核对、再检索或回答”闭环，用拒绝采样 SFT 学会调用工具，再用 TN-GSPO 学习搜索策略，使 Qwen3-VL-8B 在 E-VQA 和 InfoSeek 上分别达到 52.6 与 53.4 的整体得分。
SceneOrchestra: Efficient Agentic 3D Scene Synthesis via Full Tool-Call Trajectory Generation: SceneOrchestra 把 SceneWeaver 那种「执行一步—渲染中间结果—审阅—再决定下一步」的逐步智能体循环换成单次前向：微调一个 Qwen3-4B 的 orchestrator 直接吐出完整工具调用轨迹，再训练一个判别器做多候选重排并把排序能力蒸馏回 orchestrator，在 10 类房间上质量全面超过 SceneWeaver，平均生成时间从 91.0 分钟降到 39.7 分钟。
SymbOmni: Evolving Agentic Omni Models via Symbolic Concept Learning: SymbOmni 不做端到端生成，而是在 ComfyUI 之上搭一个会"长记性"的 agent：把每次解题的成功与失败经验抽象成"符号概念"（带参数槽的可执行工作流模板）存进可优化的 Symbolic Concept Box，靠归纳–转导循环在解题时检索组合、在评测后用语言化反向传播增删改概念，全程不更新任何模型参数，最终在 ComfyBench 上把总解决率从 73.0% 提到 86.0%、GenEval 拿到 0.98，并把总 token 消耗压低 33.9%。
TIR-Agent: Training an Explorative and Efficient Agent for Image Restoration: TIR-Agent 将图像恢复中的任务排序和工具选择训练成 Qwen3-VL-8B 的闭环策略，用扰动示范扩大探索、用多维自适应奖励协调保真与感知质量，在 MiO100 Group B 达到 22.80 dB PSNR，并相对 AgenticIR 和 4KAgent 分别实现至少 2.5 倍和 5 倍推理加速。
WorldAgents: Can Foundation Image Models be Agents for 3D World Models?: WorldAgents 把 VLM 导演、二维图像生成器和二维/三维两阶段验证器组成闭环，以 3D 重投影约束顺序修补新视角；最终在不更新生成模型权重的情况下把 reprojection error 从此前最佳的 0.39 降至 0.36。
Are GUI Agents Focused Enough? Automated Distraction via Semantic-level UI Element Injection: 本文用真实、内容无害且受空间与语义约束的UI图标干扰GUI智能体，通过多候选累积搜索在UI-TARS-1.5-7B上达到32.99%的五层搜索误点率，并以直接点击注入图标的统计揭示仅靠内容安全对齐难以覆盖的视觉定位弱点。
Think While You Map: Asynchronous Vision-Language Agents for Incremental 3D Scene Graphs: ThinkGraphs 提出异步架构，将轻量增量3D映射与重型VLM推理解耦，通过后台运行的 Critic Agent（语义闭环检测合并碎片化轨迹）和 Description Agent（多目标帧调度注入细粒度属性）在不阻塞在线映射的同时持续丰富场景图语义，在 Sr3D+/Nr3D/ScanRefer 三个视觉定位基准上超越此前最优 15.3-18.8 [email protected]。
VERITAS: A Multi-agent Co-scientist for Verifiable Image-Derived Hypothesis Testing: Veritas 把「自然语言临床假设 → 可审计结论」拆成分析规划、分割、统计、解释四个阶段，由 PI / 影像专家 / 统计学家三个角色智能体加一个 Critic 协作完成，并用一个独立于智能体判断的证据分类算子把统计量机械映射为 Supported / Refuted / Underpowered / Invalid；在覆盖六个复杂度层级的 64 条心脏与脑胶质瘤 MRI 假设上，多数投票判定准确率达到 81.4%（前沿模型）/ 71.2%（本地 8–30B 开源模型），并取得最高的统计输出可验证率 86.6%。
ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search: ARGOS把行人搜索改写成有限轮次内的证据收集过程，让四模块智能体主动追问并调用摄像头时空约束工具，在2,691个任务上同时考察找对目标与少问问题的能力，最优空间、时间轨道TWS分别为0.383和0.590。
CiQi-Agent: Aligning Vision, Tools and Aesthetics in Multimodal Agent for Cultural Reasoning on Chinese Porcelains: CiQi-Agent 将中国古瓷领域知识、局部图像放大与图文检索融入两阶段 SFT + GRPO 训练，使 Qwen2.5-VL-7B 在 CiQi-Bench 上达到 81.5% 选择题平均准确率和 66.7% 自由生成属性评分，但这些结果衡量的是鉴赏属性识别，而非真伪鉴定。
Dotting the Eye: An Intent-Driven Image Retouching Agent for Visual Focus Enhancement: EyeControl 将用户的点击或粗笔刷解释成全局与局部修图计划，再用伪意图注意力对齐和操作一致性训练扩散执行器，使指定区域更显眼，同时在 ControlArt-Bench 上取得 21.8845 dB PSNR 和 8.7054 综合分，而非单纯追求更激进的编辑。
GEAR-Seg: A Grounded Explainable Agent for Reasoning Segmentation and Data Engine: GEAR-Seg 先把图像变成带编号的精细区域描述，再让纯文本 LLM 根据意图选择掩码，在不做任务专用微调的情况下取得 ReasonSeg 57.5 gIoU，并将同一流程扩展为带解释链的数据引擎，用于训练端到端学生模型。
Learning from Reliable Negatives: Confidence-Anchored Test-Time Adaptation for GUI Grounding: 本文先用坐标 token 的置信度从多次预测中选出伪标签，再通过 CANL 只惩罚远离伪标签的预测，在各基准独立进行无标签测试时训练后，使 Qwen-2.5-VL-7B 的 ScreenSpot-V2 准确率从 88.1% 提升到 92.1%，ScreenSpot-Pro 从 24.9% 提升到 33.8%。
SpatiO: Adaptive Test-Time Orchestration of Vision-Language Agents for Spatial Reasoning: SpatiO 不更新视觉语言模型权重，而是用少量有标签样本校准“模型在某角色、某空间类别下是否可靠”，再据此选择专家并融合几何证据，在论文表格中取得 3DSRBench 72.4%、STVQA-7k 88.2% 和 CV-Bench 86.9% 的总体结果。
VisCritic: Visual State Comparison as Process Reward for GUI Agents: VisCritic 提出基于视觉状态对比的 GUI 智能体过程奖励框架，通过孪生 ViT 比较动作前后截图在语义特征空间中的差异，融合动作上下文联合预测动作成功概率、任务进度与错误类型，作为即插即用的推理时验证模块，在五个基准上普遍提升各类 GUI 智能体的任务成功率。
WebRetriever: A Large-Scale Comprehensive Benchmark for Efficient Web Agent Evaluation: WebRetriever 将 800 个网站上的 1,550 个任务、基于细粒度交互证据的 NavEval 裁判和三种评测协议结合起来，在本基准获得 91.2% 人工一致率，同时揭示六种智能体的平均人工端到端成功率仅为 11.8%。
AGE: Agentic Gaussian Editing in 3D Scenarios: AGE 用规划、执行、反思与回溯四个智能体协调已有 3D 编辑工具，通过共享空间记忆支持连续修改与局部重做，在自建编辑基准上取得 0.192 的 CLIP 文本—图像方向相似度，高于 DGE 的 0.133，但尚缺组件消融来分离各项机制的贡献。
From Gaze to Meaning: An AI Agent for Unified Zero-Shot Grounding and Explanation: Gaze Target Agent（GTA）把预测注视画成箭头交给 VLM，用首 token 置信度触发带标签示例检索，再用注视热图选择目标实例，在不更新参数的前提下将 GazeFollow 的 Acc@1 从 GGVL 的 0.450 提升至 0.493，但其记忆库仍依赖训练集标签。
Guiding the Blind: Generalizing GUI Agents to Unseen Websites via Multimodal Tutorials: WebLearner 在 WebOne 的网站不重叠训练与测试划分上，用分层记忆和逐步 GRPO 奖励学习“理解当前页面、找到教程中相关子任务、执行动作”，将未见网站任务成功率从 Qwen3-VL-8B 的 RAG 基线 36.8% 提升到 56.9%，即提高 20.1 个百分点。
ICLAgent: Integrated Circuit Footprint Geometry Labeling via LMM-empowered Multi-Agent Framework: ICLAgent 模拟 PCB 工程师从器件手册中识别引脚封装的真实认知链条，构建了涵盖图表检测、类型规划与参数推演的四阶段多智能体协作框架，在 Qwen2-VL-7B 骨干下将 IC 封装几何标注准确率提升至 79.0% IoU。
KATANA: Knowledge-Aligned Topology-Aware Neural Agents for RL-Driven Vision-Language Model Compression: KATANA 把剪枝算法本身当作可学习的程序，用沙箱实测奖励训练代码智能体，发现 KIRI 的三次稀疏调度、双范数激活评分与掩码内重构组合，在 70% 稀疏设置下使 LLaVA-1.5-7B 的 MSCOCO CIDEr 达到 84.6，相比 GSOP 的 83.3 提高 1.3 分，并在指定稀疏运行时获得约 2.8 倍解码加速。
OCTOPUS: Multi-Agentic Universal Compositional Visual Retrieval: OCTOPUS 用感知、创作、检索三个无需任务训练的智能体，将参考图像或视频与修改要求转化为图文代理，再通过双向跨模态检索和逐候选验证提高排序质量，ViT-L/14 下 WebVid R@1 达到 67.15%，FashionIQ 平均 R@10 达到 37.00%。
Self-Evolving MCP-GUI Agents via Automated Environment Generation and Experience Learning: 本文用“评估弱点、生成可执行任务、收集轨迹、更新模型或经验”的闭环改进 MCP-GUI 混合智能体，在 Chrome 上将通过率从 60.0% 提高到 77.8%，同时发现 GUI 密集的 VS Code 更适合不微调的经验增强，而不是直接模仿专家轨迹。