大模型推理能力

From Human Cognition to Neural Activations: Probing the Computational Primitives of Spatial Reasoning in LLMs

从人类认知到神经激活：探究LLMs中空间推理的计算原语

Jiyuan An, Liner Yang, Mengyan Wang, Luming Lu, Weihua An, Erhong Yang

机构 * School of Information Science, Beijing Language and Culture University（北京语言大学信息科学学院） ； School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） 纠错

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

AI总结 研究通过分析LLMs内部空间表示机制，发现其空间推理能力有限且依赖上下文，揭示了空间推理的计算原语及跨语言机制退化问题。

Make Geometry Matter for Spatial Reasoning

让几何在空间推理中发挥作用

Shihua Zhang, Qiuhong Shen, Shizun Wang, Tianbo Pan, Xinchao Wang

机构 * National University of Singapore, Singapore（新加坡国立大学） 纠错

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

AI总结 本文提出GeoSR框架，通过几何解封掩码和几何引导融合，提升视觉语言模型的空间推理能力，实验证明其在静态和动态场景中均优于现有方法。

HandVQA: Diagnosing and Improving Fine-Grained Spatial Reasoning about Hands in Vision-Language Models

HandVQA: 评估视觉-语言模型中手部精细空间推理的诊断与改进

MD Khalequzzaman Chowdhury Sayem, Mubarrat Tajoar Chowdhury, Yihalem Yimolal Tiruneh, Muneeb A. Khan, Muhammad Salman Ali, Binod Bhattarai, Seungryul Baek

机构 * UNIST（蔚山科学技术院） ； University of Aberdeen（阿伯丁大学） ； University College London（伦敦大学学院） ； Fogsphere (Redev.AI Ltd), UK（Fogsphere (Redev.AI Ltd)，英国） 纠错

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

AI总结 HandVQA通过视觉问答评估VLM对手部解剖的精细空间理解，发现现有模型在手部关节空间关系推理上的系统性缺陷，并通过3D数据训练提升模型在手部姿态识别和手-物交互任务中的性能。

Comments Accepted in CVPR 2026; Project page, code, and dataset: https://kcsayem.github.io/handvqa/

GeoReFormer: Geometry-Aware Refinement for Lane Segment Detection and Topology Reasoning

GeoReFormer：基于几何的车道线段检测与拓扑推理 refinement

Danny Abraham, Nikhil Kamalkumar Advani, Arun Das, Nikil Dutt

机构 * University of California, Irvine（加州大学尔湾分校） ； Bosch North America（博世北美） 纠错

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

AI总结 GeoReFormer 提出一种统一的查询架构，通过嵌入几何和拓扑诱导偏差，提升车道线段检测和拓扑推理的精度与一致性，实现在 OpenLane-V2 上 34.5% 的 mAP 成绩。

Comments 8 pages, 6 figures

GeoTikzBridge: Advancing Multimodal Code Generation for Geometric Perception and Reasoning

GeoTikzBridge：推动多模态代码生成在几何感知与推理中的发展

Jiayin Sun, Caixia Sun, Boyu Yang, Hailin Li, Xiao Chen, Yi Zhang, Errui Ding, Liang Li, Chao Deng, Junlan Feng

机构 * JIUTIAN Research（九天研究院） 纠错

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

AI总结 本文提出GeoTikzBridge框架，通过基于tikz的代码生成提升局部几何感知和视觉推理能力，利用两个互补数据集训练模型，实现多模态大语言模型在几何问题解决中的先进性能。

Comments accepted by CVPR 2026

DiffusionAnything: End-to-End In-context Diffusion Learning for Unified Navigation and Pre-Grasp Motion

DiffusionAnything: 端到端的上下文扩散学习用于统一导航和预抓取运动

Iana Zhura, Yara Mahmoud, Jeffrin Sam, Hung Khang Nguyen, Didar Seyidov, Miguel Altamirano Cabrera, Dzmitry Tsetserukou

机构 * Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院数字工程中心智能空间机器人实验室） 纠错

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

AI总结 本文提出一种端到端的上下文扩散学习方法，通过多尺度特征调制实现统一的导航与精细操控，仅需5分钟自监督数据即可实现零样本泛化。

Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding

迈向GUI代理：用于GUI定位的视觉-语言扩散模型

Shrinidhi Kumbhar, Haofu Liao, Srikar Appalaraju, Kunwar Yashraj Singh

机构 * Arizona State University（亚利桑那州立大学） ； AWS Agentic AI 纠错

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

AI总结 本文探讨了离散扩散视觉-语言模型在GUI定位中的应用，通过混合掩码策略提升定位精度，并在多个数据集上验证了其有效性。

Comments Accepted to CVPR 2026

ETA-VLA: Efficient Token Adaptation via Temporal Fusion and Intra-LLM Sparsification for Vision-Language-Action Models

ETA-VLA：通过时间融合和内在LLM稀疏化实现高效标记适应的视觉-语言-动作模型

Yiru Wang, Anqing Jiang, Shuo Wang, Yuwen Heng, Zichong Gu, Hao Sun

机构 * Bosch Corporate Research, Bosch (China) Investment Ltd.（博世企业研究，博世（中国）投资有限公司） ； School of Communication and Information Engineering, Shanghai University（上海大学通信与信息工程学院） 纠错

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

AI总结 本文提出ETA-VLA框架，通过时间融合和内在LLM稀疏化技术，减少视觉-语言-动作模型的计算负担，实验表明在保持高精度的同时，显著降低计算量。

OVI-MAP:Open-Vocabulary Instance-Semantic Mapping

OVI-MAP：开放词汇实例语义映射

Zilong Deng, Federico Tombari, Marc Pollefeys, Johanna Wald, Daniel Barath

机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； University of Zurich（苏黎世大学） ； TU Munich（慕尼黑工业大学） ； Microsoft（微软） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出OVI-MAP，通过解耦实例重建与语义推断，实现增量开放词汇3D实例语义映射，提升实时处理与零样本语义标注能力。