大模型推理能力

ReasonMap: Towards Fine-Grained Visual Reasoning from Transit Maps

ReasonMap：迈向基于交通地图的细粒度视觉推理

Sicheng Feng, Song Wang, Shuyi Ouyang, Lingdong Kong, Zikai Song, Jianke Zhu, Huan Wang, Xinchao Wang

专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 ReasonMap是一个针对交通地图的细粒度视觉推理基准，通过评估16种MLLMs揭示开源与闭源模型在推理性能上的差异，并强调视觉支撑对高性能的重要性。

Comments CVPR 2026, website: https://fscdc.github.io/ReasonMap/

LatentGeo: Learnable Auxiliary Constructions in Latent Space for Multimodal Geometric Reasoning

LatentGeo: 在潜在空间中学习可学习的辅助构造以进行多模态几何推理

Haiying Xu, Zihan Wang, Song Dai, Zhengxuan Zhang, Kairan Dou, Xuming Hu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nankai University（南开大学） ； Communication University of China（中国传媒大学） 纠错

专题命中 视觉空间推理 ：reasoning(title,abstract)

AI总结 LatentGeo通过学习潜在空间中的连续视觉表示，解决多模态几何推理中辅助构造的表示问题，采用三阶段课程和强化学习方法提升几何推理任务的性能。

MANSION: Multi-floor lANguage-to-3D Scene generatIOn for loNg-horizon tasks

MANSION: 多楼层语言到3D场景生成用于长周期任务

Lirong Che, Shuo Wen, Shan Huang, Chuang Wang, Yuzhe Yang, Gregory Dudek, Xueqian Wang, Jian Su

机构 * Tsinghua University（清华大学） ； AgiBot ； McGill University, MILA - Quebec AI Institute（麦吉尔大学，魁北克人工智能研究所） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)；分类 cs.AI

AI总结 MANSION是首个多楼层语言驱动的3D场景生成框架，能生成真实可导航的建筑环境，支持跨楼层长周期任务的开发与评估，同时配套发布MansionWorld数据集和任务语义编辑代理，为空间推理和规划提供关键测试平台。

SceneAssistant: A Visual Feedback Agent for Open-Vocabulary 3D Scene Generation

SceneAssistant: 一种用于开放词汇3D场景生成的视觉反馈代理

Jun Luo, Jiaxiang Tang, Ruijie Lu, Gang Zeng

机构 * Peking University（北京大学） ； NVIDIA（英伟达） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 SceneAssistant通过视觉反馈驱动代理实现开放词汇3D场景生成，结合3D物体生成模型和视觉-语言模型的空间推理能力，生成高质量且多样化的3D场景。

Comments Code: https://github.com/ROUJINN/SceneAssistant

RefTr: Recurrent Refinement of Confluent Trajectories for 3D Vascular Tree Centerlines

RefTr: 基于连通轨迹的3D血管树中心线递归细化

Roman Naeem, David Hagerman, Jennifer Alvén, Fredrik Kahl

专题命中 视觉空间推理 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 RefTr通过递归细化连通轨迹生成3D血管树中心线，采用Transformer架构提升精度并减少参数，实验显示其在性能、速度和参数数量上均优于现有方法。

Tokenization Allows Multimodal Large Language Models to Understand, Generate and Edit Architectural Floor Plans

分词使多模态大语言模型能够理解、生成和编辑建筑平面图

Sizhong Qin, Ramon Elias Weber, Xinzheng Lu

机构 * Tsinghua University（清华大学） ； UC Berkeley（伯克利大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.AI

AI总结 HouseMind通过引入离散房间实例标记，实现了建筑平面图的统一理解和生成，具备高效且可控的布局生成能力。

Comments 20 pages, 9 figures. Accepted to CVPR 2026

Multi-Agent Collaboration for Automated Design Exploration on High Performance Computing Systems

多智能体协作用于高性能计算系统上的自动化设计探索

Harshitha Menon, Charles F. Jekel, Kevin Korner, Brian Gunnarson, Nathan K. Brown, Michael Stees, M. Giselle Fernandez-Godino, Walter Nissen, Meir H. Shachar, Dane M. Sterbentz, William J. Schill, Yue Hao, Robert Rieben, William Quadros, Steve Owen, Scott Mitchell, Ismael D. Boureima, Jonathan L. Belof

专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.AI

AI总结 MADA框架通过多智能体协作实现自动化设计探索，专注于惯性约束聚变中的RMI抑制问题，利用HPC系统和机器学习替代方案提升设计效率。

OmniStream: Mastering Perception, Reconstruction and Action in Continuous Streams

OmniStream：在连续流中掌握感知、重建与行动

Yibin Yan, Jilan Xu, Shangzhe Di, Haoning Wu, Weidi Xie

机构 * School of Artificial Intelligence, SJTU（上海交通大学人工智能学院） ； Shanghai Innovation Institute（上海创新研究院） ； VGG, Oxford（牛津大学视觉几何组） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 OmniStream通过统一的流视觉骨干网络，实现对视频流中感知、重建和行动的高效处理，展示了在多种任务上的通用性与竞争力。

Comments Technical Report. Project Page: https://go2heart.github.io/omnistream/

Enhancing Lightweight Vision Language Models through Group Competitive Learning for Socially Compliant Navigation

通过群体竞争学习增强轻量级视觉语言模型以实现符合社会规范的导航

Xinyu Zhang, Atsushi Konno, Toshihiko Yamasaki, Ling Xiao

机构 * Hokkaido University（北海道大学） ； The University of Tokyo（东京大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出群体竞争学习策略，通过协调全局语义与分布正则化，提升轻量级VLMs在社交导航中的推理与决策能力，实现高准确性和高效性。