UniICL：通过能力导向分类体系化统一多模态情境学习
计算机视觉与模式识别
2026-03-27 v1
摘要
情境学习通过示例实现无训练适应，但对示例选择和格式极其敏感。在跨越理解与生成的统一多模态模型中，这种敏感性因跨模态干扰和不同认知需求而加剧。因此，情境学习有效性常常是非单调且高度任务相关的。为诊断这些行为，我们引入一个六级能力导向分类体系，用于从基础感知到高阶辨识不明确化演示的功能角色。基于这一认知框架，我们构建了UniICL-760K，一个大型语料库，包含精选的8-shot情境学习情景跨15个子任务，同时构建UniICL-Bench进行严格、受控的评估。作为稳定few-shot适应的架构干预，我们提出Context-Adaptive Prototype Modulator，一个轻量级、即插即用的模块。评估表明，我们的方法在UniICL-Bench上获得高度具竞争力的统一结果，在大多数理解情境学习任务中超越了更大参数的多模态大语言模型基线。数据和代码即将在https://github.com/xuyicheng-zju/UniICL提供。
引用
@article{arxiv.2603.24690,
title = {UniICL: Systematizing Unified Multimodal In-context Learning through a Capability-Oriented Taxonomy},
author = {Yicheng Xu and Jiangning Zhang and Zhucun Xue and Teng Hu and Ran Yi and Xiaobin Hu and Yong Liu and Dacheng Tao},
journal= {arXiv preprint arXiv:2603.24690},
year = {2026}
}
备注
ECCV2026 under review