大模型推理能力

Do Multilingual VLMs Reason Equally? A Cross-Lingual Visual Reasoning Audit for Indian Languages

多语言视觉语言模型是否同样具备推理能力？一种针对印度语言的跨语言视觉推理审计

Swastik R

机构 * Indian Institute of Information Technology, Raichur（印度信息技术学院赖丘尔分校） 纠错

专题命中 视觉空间推理 ：reasoning(title,abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.LG

AI总结 本文通过将MathVista、ScienceQA和MMMU的980道题翻译成印度语言，评估了8种VLM在七种语言中的表现，发现切换至印度语言时准确率下降9.8-25个百分点，且达罗毗荼语比印欧语下降更多，链式推理反而降低了部分语言的性能。

Comments 16 pages, 10 figures, 6 tables. Code and data: https://github.com/QuantumByte-01/multilingual-vlm-reasoning-audit Dataset: https://huggingface.co/datasets/Swastikr/multilingual-vlm-reasoning

Understanding and Mitigating Hallucinations in Multimodal Chain-of-Thought Models

理解并缓解多模态推理链模型中的幻觉

Ji Ma, Wei Suo, Peng Wang, Yanning Zhang

机构 * School of Computer Science and Ningbo Institute, Northwestern Polytechnical University, China（西北工业大学计算机学院和宁波研究院） ； National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, China（国家空天地海一体化大数据应用技术国家工程实验室） 纠错

专题命中 视觉空间推理 ：chain-of-thought(title,abstract)；reasoning(abstract)

AI总结 本文研究多模态推理链模型中的幻觉问题，发现其源于联想推理步骤中的虚假文本生成，提出一种有效策略缓解幻觉，实验表明方法效果显著且可与其他缓解方法结合提升性能。

Comments CVPR 2026

VistaGEN: Consistent Driving Video Generation with Fine-Grained Control Using Multiview Visual-Language Reasoning

VistaGEN: 通过多视角视觉语言推理实现一致的驾驶视频生成与细粒度控制

Li-Heng Chen, Ke Cheng, Yahui Liu, Lei Shi, Shi-Sheng Huang, Hongbo Fu

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Meituan, Inc.（美团） ； Beijing Normal University（北京师范大学） 纠错

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

AI总结 本文提出VistaGEN，通过多视角视觉语言推理实现驾驶视频生成的细粒度控制与时空一致性，引入多视角视觉语言评估器和对象级细化模块，提升长视频生成质量与一致性。

Learning Multi-View Spatial Reasoning from Cross-View Relations

从跨视图关系学习多视图空间推理

Suchae Jeong, Jaehwi Song, Haeone Lee, Hanna Kim, Jian Kim, Dongjun Lee, Dong Kyu Shin, Changyeon Kim, Dongyoon Hahm, Woogyeol Jin, Juheon Choi, Kimin Lee

机构 * KAIST（韩国科学技术院） ； Config ； Hanyang University（汉阳大学） ； Yonsei University（延世大学） ； Seoul National University（首尔国立大学） 纠错

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

AI总结 本文提出Cross-View Relations数据集，通过训练视觉语言模型提升多视图空间推理能力，在MindCube和RoboSpatial基准测试中取得显著提升，并在RoboCasa任务中提高机器人操作成功率。

Comments Accepted to CVPR 2026

SPREAD: Spatial-Physical REasoning via geometry Aware Diffusion

SPREAD：通过几何感知扩散进行空间-物理推理

Minzhang Li, Kuixiang Shao, Xuebing Li, Yuyang Jiao, Yinuo Bai, Hengan Zhou, Sixian Shen, Jiayuan Gu, Jingyi Yu

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

AI总结 SPREAD通过图Transformer联合学习空间和物理关系，利用场景点云进行几何感知，整合可微指导实现碰撞避免和物理一致性，实验显示在空间关系和物理指标上达到SOTA。

3D CAVLA: Leveraging Depth and 3D Context to Generalize Vision Language Action Models for Unseen Tasks

3D CAVLA：利用深度和3D上下文来泛化视觉语言动作模型以应对未见任务

Vineet Bhat, Yu-Hsiang Lan, Prashanth Krishnamurthy, Ramesh Karri, Farshad Khorrami

机构 * New York University Tandon School of Engineering（纽约大学坦登工程学院） ； New York University Courant Institute of Mathematical Sciences（纽约大学库朗数学科学研究所） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)

AI总结 本文提出3D-CAVLA框架，通过引入链式推理、深度感知和任务导向的感兴趣区域检测，提升视觉语言动作模型在未见任务中的泛化能力，实验表明其在模拟和现实任务中均表现出色。

Comments Accepted at the 1st Workshop on 3D LLM/VLA, CVPR 2025. This work has been submitted to the IEEE for possible publication

LVRPO: Language-Visual Alignment with GRPO for Multimodal Understanding and Generation

LVRPO：基于GRPO的语言-视觉对齐用于多模态理解和生成

Shentong Mo, Sukmin Yun

机构 * Department of Machine Learning, CMU, USA（卡内基梅隆大学机器学习系，美国） ； Department of Machine Learning, MBZUAI, UAE（穆罕默德·本·扎耶德人工智能大学机器学习系，阿联酋） ； Department of Artificial Intelligence, Hanyang University ERICA, South Korea（汉阳大学ERICA校区人工智能系，韩国） 纠错

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

AI总结 本文提出LVRPO框架，通过GRPO显式对齐语言和视觉表示，提升多模态理解和生成性能，无需辅助编码器或人工目标。

Beyond Recognition: Evaluating Visual Perspective Taking in Vision Language Models

超越识别：评估视觉语言模型中的视觉视角理解

Gracjan Góral, Alicja Ziarko, Piotr Miłoś, Michał Nauman, Maciej Wołczyk, Michał Kosiński

机构 * University of Warsaw（华沙大学） ； Polish Academy of Sciences（波兰科学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； IDEAS NCBR ； Lute 纠错

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

AI总结 本文通过144个视觉任务评估VLMs的视觉视角理解能力，发现模型在场景理解上表现优异，但在空间推理和视角理解上存在明显不足。

Comments Accepted at CVPR 2026 Findings

SpatialPoint: Spatial-aware Point Prediction for Embodied Localization

SpatialPoint: 体感-aware 点预测用于具身定位

Qiming Zhu, Zhirui Fang, Tianming Zhang, Chuanxiu Liu, Xiaoke Jiang, Lei Zhang

机构 * Visincept Research（Visincept 研究院） ； Tsinghua University（清华大学） ； International Digital Economy Academy (IDEA)（国际数字经济学院（IDEA）） 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SpatialPoint框架，通过整合结构化深度信息提升具身定位性能，采用260万样本RGB-D数据集进行训练与评估，在真实机器人部署中验证了其在抓取、放置和导航任务中的有效性。

Comments 19 pages, 12 figures, supplementary material included

Which Reconstruction Model Should a Robot Use? Routing Image-to-3D Models for Cost-Aware Robotic Manipulation

机器人应使用哪种重建模型？为成本感知的机器人操作路由图像到3D模型

Akash Anand, Aditya Agarwal, Leslie Pack Kaelbling

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 本文提出SCOUT框架，通过分离重建评分的两个组件，为机器人操作选择适合的3D重建模型，支持动态调整和多维成本约束。

Comments 8 pages, 7 tables, 3 figures. Supplementary material included. Project page: https://scout-model-routing.github.io

Data Organization Matters in Multimodal Instruction Tuning: A Controlled Study of Capability Trade-offs

多模态指令微调中数据组织的重要性：能力取舍的受控研究

Guowei Tang

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 研究探讨了数据组织对多模态指令微调中通用理解、结构化推理和细粒度OCR文档理解能力取舍的影响，发现课程训练在整体表现和结构推理上最佳，平衡采样更利于OCR能力但削弱整体平衡。

Comments 12 pages, 2 figures

Learning to See through Illumination Extremes with Event Streaming in Multimodal Large Language Models

通过事件流学习在极端光照下视觉感知

Baoheng Zhang, Jiahui Liu, Gui Zhao, Weizhou Zhang, Yixuan Ma, Jun Jiang, Yingxian Chen, Wilton W. T. Fok, Xiaojuan Qi, Hayden Kwok-Hay So

机构 * The University of Hong Kong（香港大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出Event-MLLM，通过动态融合事件流与RGB帧进行全光视觉推理，引入光照指示器和光照校正损失，解决极端光照下多模态大语言模型的感知与推理问题。

Comments IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

The Observability Gap: Why Output-Level Human Feedback Fails for LLM Coding Agents

可观性缺口：为何输出级人类反馈在LLM编码代理中失效

Yinghao Wang, Cheng Wang

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 研究发现，LLM编码代理在缺乏预定义功能的情况下，通过轻量级人类反馈构建可重用函数库时，输出反馈无法有效识别根因，导致持续失败模式。

Comments Accepted to CHI 2026 Workshop on Human-Agent Collaboration

From 3D Pose to Prose: Biomechanics-Grounded Vision--Language Coaching

从3D姿态到 prose：基于生物力学的视觉-语言指导框架

Yuyang Ji, Yixuan Shen, Shengjie Zhu, Yu Kong, Feng Liu

机构 * Department of Computer Science, Drexel University（德雷塞尔大学计算机科学系） ； Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 BioCoach通过融合视觉和3D骨骼运动学，提出一种生物力学导向的视觉-语言框架，利用三阶段流程生成精准文本反馈，提升健身指导的个性化和准确性。