大模型推理能力

Can Segmentation Models Understand the World? Towards Proactive Affordance Reasoning via Visual Chain-of-Thought

分割模型能理解世界吗？通过视觉思维链实现主动可供性推理

Yuchen Guo, Junli Gong, Hongmin Cai, Yiu-ming Cheung, Weifeng Su

机构 * Northwestern University（西北大学） ； Northeastern University（东北大学） ； South China University of Technology（华南理工大学） ； Hong Kong Baptist University（香港 Baptist大学） ； Beijing Normal - Hong Kong Baptist University（北京师范大学-香港 Baptist大学） 纠错

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

AI总结 提出SegWorld框架，通过多级视觉思维链在意图级指令下进行主动场景观察和可供性推理，实现从目标到部件的高效分割。

MACReD: A Multi-Agent Collaborative Reasoning Framework for Reaction Diagram Parsing

MACReD：一种用于反应图解解析的多智能体协作推理框架

Chuang Tang, Chenhao Lin, Yin Xu, Hao Wang, Jinrui Zhou, Xin Li, Mingjun Xiao, Enhong Chen

机构 * University of Science ； Technology of China \& iFLYTEK Co., Ltd. Hefei China ； Technology of China \& iFLYTEK Co., Ltd. 纠错

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

AI总结 提出MACReD分层多智能体框架，通过协调分子感知、箭头理解、文本提取和反应重建等专用智能体，在统一VLM引导架构下实现化学图解解析，在RxnScribe基准上达到最优性能。

Comments Preprint. Code is available at https://github.com/TC9905/MACReD

SSR3D-LLM: Structured Spatial Reasoning via Latent Steps for Fine-Grained Grounding in Unified 3D-LLMs

SSR3D-LLM: 通过潜在步骤实现结构化空间推理以实现统一3D-LLM中的细粒度定位

Jiawei Li, Ziyi Liu, Weijie Shi, Long Chen, Jiajie Xu, Xiaofang Zhou

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Soochow University（苏州大学） 纠错

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

AI总结 针对统一3D-LLM中细粒度查询的脆弱性，提出SSR3D-LLM，通过潜在空间推理步骤和几何感知评分器逐步精炼候选排名，在多个基准上取得最优结果。

Agentic Active Omni-Modal Perception for Multi-Hop Audio-Visual Reasoning

面向多跳音视频推理的主动全模态感知代理

Ke Xu, Yuhao Wang, Ziyang Cheng, Hongcheng Liu, Yanfeng Wang, Yu Wang

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 针对多跳音视频推理中证据稀疏且跨模态分布的问题，提出MOV-Bench基准和AOP-Agent代理框架，通过分层全模态记忆与观察-反思-重规划循环实现主动感知，显著提升开源全模态大模型在长视频和推理密集型问题上的性能。

The Shape of Reasoning: Topological Analysis of Reasoning Traces in Large Language Models

推理的形状：大型语言模型中推理轨迹的拓扑分析

Xue Wen Tan, Nathaniel Tan, Galen Lee, Stanley Kok

机构 * University of Cambridge, Department of Engineering, England（剑桥大学工程系） ； National University of Singapore, School of Computing, Singapore（新加坡国立大学计算机学院） 纠错

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

AI总结 提出基于拓扑数据分析（TDA）的评估框架，通过捕捉推理轨迹的几何结构实现高效自动评估，实验表明拓扑特征比图指标更有效预测推理质量。

Comments Accepted in ICML 2026 Workshop: Epistemic Intelligence in Machine Learning

Relational Semantic Reasoning on 3D Scene Graphs for Open World Interactive Object Search

基于3D场景图的开放世界交互式物体搜索的关系语义推理

Imen Mahdi, Matteo Cassinelli, Fabien Despinoy, Tim Welschehold, Abhinav Valada

机构 * University of Freiburg（弗赖堡大学） ； Toyota Motor Europe（丰田欧洲公司） 纠错

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

AI总结 提出SCOUT方法，通过从LLM蒸馏的关系探索启发式直接搜索3D场景图，实现高效开放世界交互式物体搜索，性能匹配LLM且计算高效。

On the Intrinsic Limits of Transformer Image Embeddings in Non-Solvable Spatial Reasoning

关于Transformer图像嵌入在非可解空间推理中的内在限制

Siyi Lyu, Quan Liu, Feng Yan

机构 * School of Electronic Science and Engineering, Nanjing University, Nanjing, China（电子科学与工程学院，南京大学，南京，中国） 纠错

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

AI总结 本文通过将空间理解形式化为群同态问题，证明恒定深度Transformer由于TC⁰复杂度限制，无法在单次前向传播中捕获非可解群（如SO(3)）的空间结构。

The Point, the Vision and the Text: Does Point Cloud Boost Spatial Reasoning of Large Language Models? A Bias-Controlled Study

点、视觉与文本：点云能否提升大语言模型的空间推理能力？一项偏差控制研究

Weichen Zhang, Ruiying Peng, Xin Zeng, Jianjie Fang, Ziyou Wang, Kaiyuan Li, Heng Dong, Wei Li, Chen Gao, Xin Wang, Xinlei Chen, Yong Li

机构 * Tsinghua University（清华大学） ； ByteDance Seed（字节跳动种子） 纠错

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

AI总结 本文通过引入包含文本、视觉和点云模态的3D空间推理基准ScanReQA，评估不同模态下大语言模型的空间推理能力，发现点云和视觉模态的模型表现优于纯文本模型，并揭示了3D大语言模型中的注意力下沉现象。

MemCog: From Memory-as-Tool to Memory-as-Cognition in Conversational Agents

MemCog: 从记忆即工具到记忆即认知的对话代理

Zihan Li, Xingyu Fan, Feifei Li, Wenhui Que

机构 * WeChat, Tencent Inc.（腾讯公司） 纠错

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

AI总结 提出MemCog系统，通过可导航记忆存储、跨维度导航接口和主动推理协议，将记忆访问融入推理过程，在被动问答和主动记忆触发基准上达到最优性能。

VesselSim: learning 3D blood vessel segmentation without expert annotations

VesselSim: 无需专家标注的3D血管分割学习

Erin Rainville, Melissa Ananian, Tristan Mirolla, Hassan Rivaz, Yiming Xiao

机构 * Department of Computer Science and Software Engineering, Concordia University, Montreal, Canada（计算机科学与软件工程系，康科迪亚大学，蒙特利尔，加拿大） ； Department of Electrical and Computer Engineering, Concordia University, Montreal, Canada（电气与计算机工程系，康科迪亚大学，蒙特利尔，加拿大） 纠错

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

AI总结 提出VesselSim两阶段框架，通过几何驱动的合成血管生成和自监督测试时适应，实现无需真实标注的3D血管分割，在多个临床数据集上达到与有监督方法竞争的性能。

Comments This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this contribution will be published as part of the MICCAI 2026 proceedings in October

Performance Comparison of Classical and Neural Sampling Algorithms for Robotic Navigation

经典与神经采样算法在机器人导航中的性能比较

Hichem Cheriet, Badra Khellat Kihel, Samira Chouraqui

机构 * dept. of Economics Oran2 Mohamed BenAhmed University（经济系奥兰2莫哈梅德·本·阿赫迈德大学） 纠错

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

AI总结 本文在含凸凹障碍物的环境中比较了RRT*、Neural RRT*和Neural Informed RRT*三种算法，发现神经引导规划器能生成更短（最多14%）和更平滑（55-75%）的路径，其中Neural Informed RRT*综合性能最优。

Journal ref Presented at The 3rd Edition of National Conference on Applications of Artificial Intelligence A2I' 26. 2026

EigeNet: Geometry-Informed Multi-Modal Learning for Few-shot Novel View RIR Prediction

EigeNet：几何信息引导的多模态学习用于少样本新视角RIR预测

Chong Jing, Zitong Lan, Junan Zhang, Zhizheng Wu

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 提出EIGENET框架，通过跨视角交替注意力Transformer和几何信息调制块，结合多任务学习，实现少样本新视角房间脉冲响应预测，达到最先进性能。

Comments Code available on https://github.com/FEAfeatherTHER/EigeNet

MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents

MolLingo：面向LLM驱动的科学智能体的分子原生表示

Thao Nguyen, Heng Ji

机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） 纠错

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

AI总结 提出MolLingo多智能体系统，通过共享内存协调文献、化学家和编排智能体，结合基于BRICS的片段枚举（BFE）表示方法，实现分子块级推理与编辑，在四个基准上优于前沿LLM和专用基线。

Tensor Memory: Fixed-Size Recurrent State for Long-Horizon Transformers

张量记忆：用于长程Transformer的固定大小循环状态

Kabir Swain, Sijie Han, Daniel Karl I. Weidele, Mauro Martino, Antonio Torralba

机构 * Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院） ； IBM Research, Cambridge, MA, USA（IBM研究院） ； University of Toronto, Toronto, Canada（多伦多大学） 纠错

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

AI总结 提出张量记忆模块，通过固定大小的3D循环张量状态增强Transformer，以解耦状态容量与输入长度，并保持空间归纳偏置，适用于长程视频理解。

Hallucination Behavior in Multimodal LLMs Across Agricultural Image Interpretation and Generation Tasks

多模态大语言模型在农业图像解释与生成任务中的幻觉行为

Partho Ghose, Al Bashir, Prem Raj, Azlan Zahid

机构 * Texas A&M University System（德克萨斯大学系统） 纠错

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

AI总结 本研究系统评估了多模态大语言模型在农业图像解释（图像到文本）和生成（文本到图像）任务中的幻觉行为，发现模型存在生物不一致、上下文不准确和农学不合理等错误模式，并通过少样本提示等方法分析了幻觉的残留影响。

Ligand-Conditioned Discrete Diffusion for Protein Sequence-Structure Co-Design

配体条件离散扩散用于蛋白质序列-结构协同设计

Chen Wei, Fanding Xu, Minghao Sun, Zhiyuan Liu, Lin Wang, Tianrui Jia, Yihang Zhou, Yang Zhang

机构 * Xi’an University of Posts & Telecommunications（西安邮电大学） ； National University of Singapore（新加坡国立大学） ； Xi’an Jiaotong University（西安交通大学） ； Institute of Systems Medicine, Chinese Academy of Medical Sciences（中国医学科学院系统医学研究院） 纠错

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

AI总结 提出配体条件离散扩散模型ProtLiD²，通过几何感知交叉注意力联合生成氨基酸序列和离散结构令牌，实现配体约束下的蛋白质序列-结构协同设计，显著提升全局折叠置信度和配体感知通过率。

Comments 19 pages, 6 figures

Benchmarking and Mechanistic Analysis of Vision-Language Models for Cross-Depiction Assembly Instruction Alignment

跨描绘装配指令对齐的视觉-语言模型基准测试与机制分析

Zhuchenyang Liu, Yao Zhang, Yu Xiao

机构 * Aalto University（阿alto大学） 纠错

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

AI总结 构建IKEA-Bench基准，评估19个视觉-语言模型在装配图与视频帧对齐任务上的表现，发现视觉编码是提升跨描绘鲁棒性的关键瓶颈。

Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation

可变形高斯占据：通过分解蒸馏解耦刚性与非刚性运动

Yang Gao, Wuyang Li, Po-Chien Luan, Alexandre Alahi

机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑校区） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出DeGO框架，通过解耦高斯变形和分解式4D基础模型蒸馏，在弱监督下实现动态场景中刚性与非刚性运动的分离，显著提升人体实例占据预测性能。

Comments CVPR 2026

KG-ViP: Bridging Knowledge Grounding and Visual Perception in Multi-modal LLMs for Visual Question Answering

KG-ViP：在多模态大语言模型中桥接知识基础与视觉感知以进行视觉问答

Zhiyang Li, Ao Ke, Yukun Cao, Xike Xie

机构 * University of Science and Technology of China（中国科学技术大学） ； Data Darkness Lab, MIRACLE Center, USTC（数据黑暗实验室，MIRACLE中心，中国科学技术大学） ； School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出KG-ViP框架，通过检索与融合场景图和常识图，统一外部知识与细粒度视觉细节，缓解多模态大语言模型在视觉问答中的知识幻觉和视觉感知不足问题。