大模型推理能力

Thinking Diffusion: Penalize and Guide Visual-Grounded Reasoning in Diffusion Multimodal Language Models

Thinking Diffusion: 通过惩罚和引导在扩散多模态语言模型中抑制和引导视觉推理

Keuntae Kim, Mingyu Kang, Yong Suk Choi

机构 * Department of Computer Science, Hanyang University（汉阳大学计算机科学系） ； Department of Artificial Intelligence, Hanyang University（汉阳大学人工智能系） 纠错

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

AI总结 本文针对扩散多模态语言模型在视觉推理中生成过早答案的问题，提出位置与步数惩罚和视觉推理引导方法，提升推理准确率并加快推理速度。

Comments CVPR 2026 - main

LLM Reasoning as Trajectories: Step-Specific Representation Geometry and Correctness Signals

大语言模型推理作为轨迹：步骤特定的表示几何与正确性信号

Lihao Sun, Hang Dong, Bo Qiao, Qingwei Lin, Dongmei Zhang, Saravan Rajmohan

机构 * Microsoft（微软） 纠错

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

AI总结 研究通过表示空间结构揭示大语言模型的推理过程，发现推理步骤在不同层深度下逐渐分离，晚期阶段正确与错误解的分歧可预测最终答案正确性，提出轨迹引导框架控制推理。

Comments ACL 2026 (Main)

BiMind: A Dual-Head Reasoning Model with Attention-Geometry Adapter for Incorrect Information Detection

BiMind：一种带有注意力-几何适配器的双头推理模型，用于错误信息检测

Zhongxing Zhang, Emily K. Vraga, Jisu Huh, Jaideep Srivastava

机构 * University of Minnesota, Twin Cities（明尼苏达大学双城分校） 纠错

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

AI总结 BiMind通过双头推理框架分离内容内部推理与知识增强推理，引入注意力几何适配器、自检索知识机制和不确定性感知融合策略，提升错误信息检测性能。

IBISAgent: Reinforcing Pixel-Level Visual Reasoning in MLLMs for Universal Biomedical Object Referring and Segmentation

IBISAgent: 通过MLLMs增强像素级视觉推理以实现通用生物医学对象指称与分割

Yankai Jiang, Qiaoru Li, Binlu Xu, Haoran Sun, Chao Ding, Junting Dong, Yuxiang Cai, Xuhong Zhang, Jianwei Yin

机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Ningbo Global Innovation Center, Zhejiang University（浙江大学宁波全球创新中心） ； Zhejiang Key Laboratory of Digital-Intelligence Service Technology（浙江省数字智能服务技术重点实验室） 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IBISAgent，通过多步决策过程增强MLLMs的像素级视觉推理能力，解决现有分割方法在隐式分割标记和迭代优化方面的不足，提升生物医学分割任务的性能。

Advancing AI Research Assistants with Expert-Involved Learning

通过专家参与学习推进AI研究助手

Tianyu Liu, Simeng Han, Hanchen Wang, Xiao Luo, Pan Lu, Biqing Zhu, Yuge Wang, Keyi Li, Jiapeng Chen, Rihao Qu, Yufeng Liu, Xinyue Cui, Aviv Yaish, Yuhang Chen, Minsheng Hao, Chuhan Li, Kexing Li, Yinsheng Lu, Xinyu Wei, Qinzhe Xing, Antonia Panescu, Mengbo Wang, Vibha Annaswamy, Alicia Sanchez, Jack Cloherty, Arman Cohan, Hua Xu, Mark Gerstein, James Zou, Hongyu Zhao

机构 * Yale University（耶鲁大学） ； Broad Institute of MIT and Harvard（麻省理工学院-哈佛大学博德研究所） ； Google DeepMind（谷歌DeepMind） ； Stanford University（斯坦福大学） ； Genentech（基因泰克） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学） 纠错

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

AI总结 本文提出ARIEL框架，通过专家验证任务评估大语言模型和多模态模型在生物医学领域的表现，发现提示工程和轻量级微调能提升文本覆盖，计算扩展策略增强视觉问答能力，构建了集成文本和视觉线索的AI助手，提出可检验的机理假设。

Comments 43 pages, 7 figures

ForgeryGPT: A Multimodal LLM for Interpretable Image Forgery Detection and Localization

ForgeryGPT: 一种多模态大语言模型用于可解释的图像伪造检测与定位

Fanrui Zhang, Jiawei Liu, Jiaying Zhu, Esther Sun, Dong Li, Qiang Zhang, Zheng-Jun Zha

机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 ForgeryGPT通过多模态大语言模型捕捉伪造图像的高阶取证知识关联，实现可解释的图像伪造检测与定位，提升检测精度和交互能力。

Comments 13 pages, 9 figures

CrowdVLA: Embodied Vision-Language-Action Agents for Context-Aware Crowd Simulation

CrowdVLA: 一种用于情境感知人群模拟的具身视觉-语言-动作代理

Juyeong Hwang, Seong-Eun Hong, Jinhyun Kim, JaeYoung Seon, Giljoo Nam, Hanyoung Jang, HyeongYeop Kang

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 CrowdVLA通过引入视觉-语言-动作代理，解决了人群模拟中监督不足、控制不稳定和数据偏差等问题，推动模拟从运动导向转向感知驱动的决策制定。

Geometrical Cross-Attention and Nonvoid Voxelization for Efficient 3D Medical Image Segmentation

几何交叉注意力与非空体素化用于高效3D医学图像分割

Chenxin Yuan, Shoupeng Chen, Haojiang Ye, Yiming Miao, Limei Peng, Pin-Han Ho

机构 * organization= Shenzhen Institute for Advanced Study , addressline= University of Electronic Science ； organization= School of Electrical ； Electronic Engineering , addressline= Nanyang Technological University , city= Singapore , postcode= 639798 , country= Singapore ； organization= School of Science ； Engineering , addressline= The Chinese University of Hong Kong, Shenzhen , city= Shenzhen , postcode= 518172 , state= Guangdong , country= China ； organization= School of Computer Science ； Engineering , addressline= Kyungpook National University , city= Daegu , postcode= 37224 , country= South Korea ； organization= Department of Electrical ； Computer Engineering , addressline= University of Waterloo , city= Waterloo , postcode= N2L3G1 , state= Ontario , country= Canada 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 本文提出GCNV-Net框架，结合3DNVT、GCA和非空体素化模块，通过动态体素划分和几何位置信息融合，提升3D医学图像分割的精度与效率，实现56.13%的FLOPs和68.49%的推理延迟降低。

Comments 20 pages, 13 figures, supplementary material included, submitted to Medical Image Analysis

DAT: Dual-Aware Adaptive Transmission for Efficient Multimodal LLM Inference in Edge-Cloud Systems

DAT：双重视觉与带宽感知的自适应传输，用于边缘-云计算系统中高效多模态大语言模型推理

Qi Guo, Zheming Yang, Yunqing Hu, Chang Zhao, Wen Ji

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出DAT方法，通过轻量级边缘模型过滤非目标帧并触发MLLM推理，结合高效微调策略和多流自适应传输优化，实现高效多模态大语言模型推理，提升语义生成质量与低延迟警报性能。

Comments 10 pages, 6 figures. Submitted to ACM Multimedia 2026

Integration of Object Detection and Small VLMs for Construction Safety Hazard Identification

对象检测与小型视觉语言模型的整合用于建筑安全危险识别

Muhammad Adil, Mehmood Ahmed, Muhammad Aqib, Vicente A. Gonzalez, Gaang Lee, Qipei Mei

机构 * Infrastructure Human Tech (IHT) Lab, Department of Civil and Environmental Engineering, University of Alberta, Edmonton, Alberta, Canada（基础设施人类技术（IHT）实验室，土木与环境工程系，阿尔伯塔大学，埃德蒙顿，阿尔伯塔，加拿大） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出了一种结合对象检测与多模态推理的轻量级框架，以提高建筑工地安全危险识别的准确性和效率，实验表明该方法在多个小型视觉语言模型上均提升了检测性能和解释质量。

ReMemNav: A Rethinking and Memory-Augmented Framework for Zero-Shot Object Navigation

ReMemNav：一种重新思考和记忆增强的零样本物体导航框架

Feng Wu, Wei Zuo, Wenliang Yang, Jun Xiao, Yang Liu, Xinhua Zeng

机构 * Fudan University（复旦大学） ； Tongji University（同济大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 ReMemNav通过整合全景语义先验和事件记忆，改进了零样本物体导航中的空间推理和决策，提升了成功率和探索效率。

Comments 8 pages, 5 figures