大模型推理能力

Learning Adaptive Reasoning Paths for Efficient Visual Reasoning

学习高效的视觉推理路径

Yixu Huang, Tinghui Zhu, Muhao Chen

机构 * Fudan University（复旦大学） ； University of California, Davis（加州大学戴维斯分校） 纠错

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

AI总结 本文提出AVR框架，通过分解视觉推理为三个认知功能，动态选择响应格式，减少推理冗余，提升效率。

Learning to Draw ASCII Improves Spatial Reasoning in Language Models

学习绘制ASCII图提高语言模型的空间推理能力

Shiyuan Huang, Li Liu, Jincheng He, Leilani H. Gilpin

机构 * University of California, Santa Cruz（加州大学圣克ruz分校） 纠错

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

AI总结 本文通过Text2Space数据集研究语言模型通过构造视觉布局提升空间推理能力，发现构造与理解训练结合可显著增强空间推理，并在外部基准上验证了其泛化能力。

Listen, Pause, and Reason: Toward Perception-Grounded Hybrid Reasoning for Audio Understanding

倾听、暂停与推理：迈向基于感知的混合推理以实现音频理解

Jieyi Wang, Yazhe Niu, Dexuan Xu, Zhongyu Wei

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； CUHK MMLab（香港中文大学多媒体实验室） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出HyPeR框架，通过感知-推理混合方法提升音频理解能力，通过PAQA数据集训练模型并引入PAUSE标记和一致性奖励，实验表明其在复杂音频场景中表现优异。

SpaceMind: A Modular and Self-Evolving Embodied Vision-Language Agent Framework for Autonomous On-orbit Servicing

SpaceMind：一种模块化且自我进化的具身视觉-语言代理框架，用于自主在轨服务

Aodi Wu, Haodong Han, Xubo Luo, Ruisuo Wang, Shan He, Xue Wan

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences（中国科学院空间利用技术与工程中心） 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SpaceMind框架，通过模块化和自我进化机制，实现自主在轨服务中的视觉感知、三维空间推理和多阶段任务执行，验证了其在不同环境下的鲁棒性和适应性。

Comments 23 pages, 6 figures, 7 tables. Code available at https://github.com/wuaodi/SpaceMind

UrbanClipAtlas: A Visual Analytics Framework for Event and Scene Retrieval in Urban Videos

UrbanClipAtlas：面向城市视频中事件和场景检索的视觉分析框架

Joel Perca, Luis Sante, Juanpablo Heredia, Joao Rulff, Claudio Silva, Jorge Poco

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出UrbanClipAtlas框架，结合RAG、实体提取和视频定位技术，实现城市视频中事件和场景的高效检索与解释，通过知识图谱和增强聊天界面提升分析效率。

Comments 12 pages and 6 figures

Beyond Augmentation: Cross-Modal Transformer Fusion with Bi-directional Attention for Low-Data Aneurysm Screening

超越增强：基于双向注意力的跨模态Transformer融合用于低数据动脉瘤筛查

Antara Titikhsha, Divyanshu Tak

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Artificial Intelligence in Medicine (AIM) Program（医学人工智能（AIM）项目） ； Mass General Brigham（马萨诸塞总医院） ； Harvard Medical School（哈佛医学院） ； Department of Radiation Oncology（放射肿瘤科） ； Dana-Farber Cancer Institute（达纳-法伯癌症研究所） ； Brigham and Women’s Hospital（布里洛妇产科医院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出CMTF-Net，通过跨模态目标融合框架实现解剖结构化的动脉瘤筛查，采用14个血管区域独立监督，提升低数据场景下的检测精度与可解释性。

Comments We had major improvements in this second draft. Please refer to this version only

Geoparsing: Diagram Parsing for Plane and Solid Geometry with a Unified Formal Language

几何解析：一种统一形式语言用于平面和立体几何的图表解析

Peijie Wang, Ming-Liang Zhang, Jun Cao, Chao Deng, Dekang Ran, Hongda Sun, Pi Bu, Xuan Zhang, Yingyao Wang, Jun Song, Bo Zheng, Fei Yin, Cheng-Lin Liu

机构 * MAIS, Institute of Automation of Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Future Living Lab of Alibaba（阿里巴巴未来生活实验室） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出一种统一形式语言，结合平面和立体几何，构建了GDP-29K数据集，通过监督微调与可验证奖励的强化学习提升几何解析性能，提升MLLMs的几何推理能力。

Comments Accepted to ACL2026

GAMBIT: A Gamified Jailbreak Framework for Multimodal Large Language Models

GAMBIT：一种用于多模态大语言模型的游戏化突破框架

Xiangdong Hu, Yangyang Jiang, Qin Hu, Xiaojun Jia

机构 * Georgia State University（佐治亚州立大学） ； Shandong University（山东大学） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出GAMBIT框架，通过分解重组有害视觉语义并构建游戏化场景，使模型在探索和重建意图中主动完成突破，提升攻击成功率。

Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026), Main Conference