大模型推理能力

The Geometry of Thought: How Scale Restructures Reasoning In Large Language Models

思维的几何学：大规模语言模型中规模如何重构推理

Samuel Cyrenius Anderson

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

AI总结 研究揭示大规模语言模型中推理能力的几何重构特性，通过分析不同领域和规模的推理轨迹，发现神经规模定律触发领域特定的相变而非均匀能力提升，提出神经推理算子并识别出跨领域和规模的振荡特征。

Comments The theoretical framework has been shown to be wrong and should not be followed for future research direction

LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning

LatentPilot: 通过潜意识视觉推理进行场景感知的视觉-语言导航

Haihong Hao, Lei Chen, Mingfei Han, Changlin Li, Dong An, Yuqiang Yang, Zhihui Li, Xiaojun Chang

机构 * University of Science and Technology of China（中国科学技术大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Stanford University（斯坦福大学） ； Amap, Alibaba Group（阿里巴巴集团高德地图） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 LatentPilot通过利用未来观测作为训练数据源，学习动作条件的视觉动态，无需访问未来帧即可实现场景感知的视觉-语言导航，实验在多个基准上取得新SOTA结果。

Comments Project page:https://abdd.top/latentpilot/

Concept frustration: Aligning human concepts and machine representations

概念冲突：对齐人类概念与机器表示

Enrico Parisini, Christopher J. Soelistyo, Ahab Isaac, Alessandro Barp, Christopher R. S. Banerji

机构 * The Francis Crick Institute（弗朗西斯·克里克研究所） ； Department of Statistical Science, University College London（伦敦大学学院统计科学系） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

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

AI总结 本文提出一种几何框架，用于比较监督人类概念与无监督中间表示，揭示概念冲突现象，并展示其在任务对齐几何中的检测能力，为解释AI的发展提供新思路。

Comments 34 pages, 7 figures

MindCube: Spatial Mental Modeling from Limited Views

MindCube：从有限视角构建空间心理模型

Qineng Wang, Baiqiao Yin, Pingyue Zhang, Jianshu Zhang, Kangrui Wang, Zihan Wang, Jieyu Zhang, Keshigeyan Chandrasegaran, Han Liu, Ranjay Krishna, Saining Xie, Jiajun Wu, Li Fei-Fei, Manling Li

机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学） ； University of Washington（华盛顿大学） 纠错

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

AI总结 本文通过MindCube基准测试，探讨视觉语言模型能否从有限视角构建空间心理模型，提出'map-then-reason'方法提升模型性能，实现从37.8%到61.3%的准确率提升。

Comments The latest version includes an expanded discussion of scaffolding, along with updated data statistics and experimental results

From Skeletons to Semantics: Design and Deployment of a Hybrid Edge-Based Action Detection System for Public Safety

从骨架到语义：一种混合边缘基于的动作检测系统在公共安全中的设计与部署

Ganen Sethupathy, Lalit Dumka, Jan Schagen

机构 * Sopra Steria Germany（Sopra Steria德国） ； Sopra Steria India（Sopra Steria印度） 纠错

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

AI总结 本文提出一种混合边缘动作检测系统，结合骨架运动分析与视觉语言模型，以提升公共安全中的实时视频分析能力，通过系统级对比展示两种方法在边缘计算中的互补性与局限性。

Comments Preprint version of a manuscript currently under review at IEEE Access

InCoder-32B: Code Foundation Model for Industrial Scenarios

InCoder-32B：面向工业场景的代码基础模型

Jian Yang, Wei Zhang, Jiajun Wu, Junhang Cheng, Shawn Guo, Haowen Wang, Weicheng Gu, Yaxin Du, Joseph Li, Fanglin Xu, Yizhi Li, Lin Jing, Yuanbo Wang, Yuhan Gao, Ruihao Gong, Chuan Hao, Ran Tao, Aishan Liu, Tuney Zheng, Ganqu Cui, Zhoujun Li, Mingjie Tang, Chenghua Lin, Wayne Xin Zhao, Xianglong Liu, Ming Zhou, Bryan Dai, Weifeng Lv

机构 * Beihang University（北京航空航天大学） ； IQuest Research ； Shanghai Jiao Tong University（上海交通大学） ； ELLIS ； University of Manchester（曼彻斯特大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Langboat（朗博特） 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InCoder-32B，首个统一芯片设计、GPU内核优化等工业领域的32B参数代码基础模型，通过高效架构和多阶段训练方法，在通用和工业任务中均取得优异性能。

Hallucination-aware intermediate representation edit in large vision-language models

具有幻觉意识的中间表示编辑在大视觉-语言模型中

Wei Suo, Hanzu Zhang, Lijun Zhang, Ji Ma, Peng Wang, Yanning Zhang

机构 * School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院） 纠错

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

AI总结 本文提出一种动态检测和消除幻觉表示的框架，通过最小额外计算成本在现有基准上实现最先进的性能，展示了高效且稳健的幻觉消除能力。

SceneTeract: Agentic Functional Affordances and VLM Grounding in 3D Scenes

SceneTeract：代理功能可能性与视觉语言模型在3D场景中的 grounded 性

Léopold Maillard, Francis Engelmann, Tom Durand, Boxiao Pan, Yang You, Or Litany, Leonidas Guibas, Maks Ovsjanikov

机构 * École Polytechnique（巴黎综合理工学院） ； Dassault Systèmes（达索系统） ； Stanford University（斯坦福大学） ； USI Lugano（卢加诺大学） ； Technion（以色列理工学院） ； NVIDIA（英伟达） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 SceneTeract 通过结合高层语义推理与低层几何检查，验证3D场景功能，评估合成环境中的功能失败及VLM对功能可能性的预测能力，揭示语义信心与物理可行性之间的系统性不匹配。

Comments Project page: https://sceneteract.github.io/

SeGPruner: Semantic-Geometric Visual Token Pruner for 3D Question Answering

SeGPruner: 用于3D问答的语义-几何视觉令牌修剪器

Wenli Li, Kai Zhao, Haoran Jiang, Enquan Yang, Yi Su, Dan Zeng

机构 * Shanghai University（上海大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出SeGPruner，通过语义和几何引导的令牌减少框架提升3D问答效率，显著降低视觉令牌预算和推理延迟，同时保持竞争性性能。

Seeing the Evidence, Missing the Answer: Tool-Guided Vision-Language Models on Visual Illusions

看到证据，却错失答案：基于工具引导的视觉语言模型在视觉错觉中的应用

Xuesong Wang, Harry Wang

机构 * Wayne State University（韦恩州立大学） ； University of Michigan（密歇根大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出一种工具引导的推理框架，通过通用图像处理工具和提示系统，解决视觉语言模型在处理视觉错觉时的系统性偏差问题，并展示其在不同结构错觉变体上的跨结构泛化能力。

Comments CVPR 2026 DataCV Workshop, code: https://github.com/Davidxswang/cvpr_2026_datacv_submission

VueBuds: Visual Intelligence with Wireless Earbuds

VueBuds：集成摄像头的无线耳机实现视觉智能

Maruchi Kim, Rasya Fawwaz, Zhi Yang Lim, Brinda Moudgalya, Hexi Wang, Yuanhao Zeng, Shyamnath Gollakota

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 VueBuds通过集成摄像头的无线耳机实现视觉智能，利用低功耗单色摄像头和视觉语言模型进行实时场景理解与文本阅读，其性能与智能眼镜相当。

Comments CHI 2026

Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds

迈向3D场景理解的基础模型：点云的实例感知自监督学习

Bin Yang, Mohamed Abdelsamad, Miao Zhang, Alexandru Paul Condurache

机构 * Bosch Research, Robert Bosch GmbH（博世研究，罗伯特·博世有限公司） ； Institute for Neuro- and Bioinformatics, University of Lübeck（神经与生物信息学研究所，吕贝克大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出PointINS框架，通过几何感知学习增强点云表示，引入ODR和SCR正则化策略，提升实例定位性能，在多个数据集上实现更优的mAP和PQ指标。

Comments The paper was accepted by CVPR2026

MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation

MVGGT：多模态视觉几何 grounded 变换器用于多视角3D指称表达分割

Changli Wu, Haodong Wang, Jiayi Ji, Yutian Yao, Chunsai Du, Jihua Kang, Yanwei Fu, Liujuan Cao

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（厦门大学多媒体可信感知与高效计算教育部重点实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； ByteDance（字节跳动） ； Tianjin University of Science and Technology（天津科技大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出MVGGT，一种高效的端到端框架，通过双分支设计将语言信息整合到稀疏视角的几何推理中，解决稀疏视角下的优化障碍，建立首个强基线，实现高精度和快速推理。

Comments Accepted to CVPR 2026; Project Website: https://mvggt.github.io/