大模型推理能力

Diagnosing Harmful Continuation in Answer-Correct Long-CoT Training Traces

诊断答案正确长链思维训练轨迹中的有害延续

Chen He, Yuhao Wu, Lei Wang, Wenxuan Zhang, Fumin Shen

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Singapore Management University（新加坡管理学院） 纠错

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

AI总结 研究长链思维训练数据中答案正确但后续推理有害的延续现象，通过删除后缀实验发现其损害训练效果，并提出轻量级边界代理方法。

Echoes within the Reasoning: Stealthy and Effective Watermarking via Chain of Thought

推理中的回声：通过思维链实现隐蔽且有效的数字水印

Jiacheng Lu, Yiming Li, Tao Song, Weijian Wang, Wenjie Qu, Haibing Guan, Jiaheng Zhang

机构 * School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院） ； Nanyang Technological University, Singapore（南洋理工大学） ； National University of Singapore, Singapore（新加坡国立大学） 纠错

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

AI总结 提出BiCoT框架，通过将水印嵌入推理轨迹的内部几何结构，并利用基于Top-logprob的黑盒验证器RSR，在不影响推理保真度的前提下实现鲁棒的水印检测。

Comments This paper is accepted by ICML2026

On Asymmetric Optimization of Reasoning and Perception in Vision-Language Model Post-Training

视觉语言模型后训练中推理与感知的非对称优化研究

Xueqing Wu, Yu-Chi Lin, Kai-Wei Chang, Nanyun Peng

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 通过合成任务诊断发现，后训练中推理提升显著优于感知，SFT源于感知token少导致训练信号弱，RL源于奖励耦合，提出动态重加权损失和感知奖励可缓解不平衡并提升端到端性能。

Comments Project: https://asymmetric-vlm-post-training.github.io/

Before the Shutter: Aesthetic and Actionable Portrait Photography Planning in 3D Scenes

快门之前：3D场景中美学的且可执行的人像摄影规划

Ruixiang Jiang, Chang Wen Chen

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 提出在3D场景中生成人像姿态、相机、照明和曝光方案的方法，通过构建摄影场景图实现美学引导的规划，生成视觉上引人注目且几何与光度可行的人像。

Beyond 3D VQAs: Injecting 3D Spatial Priors into Vision-Language Models for Enhanced Geometric Reasoning

超越3D VQA：将3D空间先验注入视觉-语言模型以增强几何推理

Chun-Hsiao Yeh, Shengyi Qian, Manchen Wang, Yi Ma, Joseph Tighe, Fanyi Xiao

机构 * FAIR at Meta（Meta的FAIR） 纠错

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

AI总结 提出GASP框架，通过将几何先验注入LLM的Transformer层，利用对比损失和深度一致性监督训练，显著提升VLM的3D空间推理能力，在多个基准上取得大幅提升。

Comments CVPR 2026. Project page: https://danielchyeh.github.io/GASP/

JAEGER: Joint 3D Audio-Visual Grounding and Reasoning in Simulated Physical Environments

JAEGER：模拟物理环境中的联合3D音频-视觉定位与推理

Zhan Liu, Changli Tang, Yuxin Wang, Zhiyuan Zhu, Youjun Chen, Yiwen Shao, Tianzi Wang, Lei Ke, Zengrui Jin, Chao Zhang

机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tencent AI Lab（腾讯AI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 提出JAEGER框架，通过集成RGB-D观测和多通道一阶环境声学，将音频-视觉大语言模型扩展到3D空间，实现联合空间定位与推理，并引入神经强度向量（Neural IV）提升声源方向估计的鲁棒性。

Comments Accepted to ICML 2026

ROVER: Routing Object-Centric Visual Evidence for Grounded Multi-Image Reasoning

ROVER: 面向对象中心视觉证据的路由用于基于多图像推理

Guannan Lv, Ren Nie, Hongjian Dou, Tingting Gao

机构 * Kuaishou Technology（快手科技） 纠错

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

AI总结 提出ROVER，一种轻量级可学习插件，通过对象中心差分注意力聚合上下文、蒸馏图像内线索并路由历史感知证据，实现高效全局视觉证据路由，在多图像推理中提升答案和定位精度。

Train the Agent, Not the Expert: Learning to Harness Heterogeneous Experts for Multi-Turn Visual Reasoning

训练智能体而非专家：学习利用异构专家进行多轮视觉推理

Yaowu Fan, Tao Han, Dazhao Du, Andy J. Ma, Jia Wan

机构 * Sun Yat-sen University（中山大学） ； HKUST（香港科技大学） ； Harbin Institute of Technology（哈尔滨理工大学） 纠错

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

AI总结 提出VisHarness，一种可训练的视觉智能体，通过解耦高层感知推理与低层任务执行，学习利用异构视觉专家模型，以轻量训练实现多轮交互下的通用视觉任务求解。

RewardFlow: Topology-Aware Reward Propagation on State Graphs for Agentic RL with Large Language Models

RewardFlow: 面向大语言模型智能体强化学习的拓扑感知状态图奖励传播

Xiao Feng, Bo Han, Zhanke Zhou, Jiaqi Fan, Jiangchao Yao, Ka Ho Li, Dahai Yu, Michael Kwok-Po Ng

机构 * TMLR Group（TMLR小组） ； Hong Kong Baptist University（香港 Baptist大学） ； TCL Corporate Research (HK) Co Ltd（TCL企业研究（香港）有限公司） ； Cooperative Medianet Innovation Center Shanghai Jiao Tong University（合作中位网创新中心上海交通大学） ； Department of Mathematics Hong Kong Baptist University（香港 Baptist大学数学系） 纠错

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

AI总结 提出RewardFlow方法，通过构建状态图进行拓扑感知的奖励传播，为智能体推理提供无标注的密集奖励，显著提升强化学习性能。

A Deep Learning Model of Mental Rotation Informed by Interactive VR Experiments

基于交互式VR实验的心理旋转深度学习模型

Raymond Khazoum, Daniela Fernandes, Aleksandr Krylov, Qin Li, Stephane Deny

机构 * Department of Computer Science, Aalto University, Espoo, Finland（奥卢大学计算机科学系，芬兰埃斯波） ； Department of Neuroscience and Biomedical Engineering, Aalto University, Espoo, Finland（奥卢大学神经科学与生物医学工程系，芬兰埃斯波） 纠错

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

AI总结 提出一个由等变编码器、神经符号对象编码器和神经决策代理组成的深度学习模型，通过VR实验验证，准确模拟人类心理旋转的性能、响应时间和行为。

Comments Version accepted at ICML 2026

Grounded 3D-Aware Spatial Vision-Language Modeling

基于三维感知的空间视觉语言建模

An-Chieh Cheng, Yang Fu, Yatai Ji, Ligeng Zhu, Guanqi Zhan, Zhuoyang Zhang, Zhaojing Yang, Song Han, Yao Lu, Pavlo Molchanov, Vidya Nariyambut Murali, Jan Kautz, Xiaolong Wang, Hongxu Yin, Sifei Liu

机构 * UCSD（加州大学圣迭戈分校） ； MIT（麻省理工学院） ； NVIDIA（英伟达） 纠错

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

AI总结 提出GR3D模型，通过显式2D定位、隐式2D定位和单目3D定位三种互补定位能力，在单一框架内实现空间链式推理，并在定位与非定位空间基准上取得一致提升。

Comments CVPR 2026 https://www.anjiecheng.me/gr3d

Why Far Looks Up: Probing Spatial Representation in Vision-Language Models

为什么远处看起来在上方：探究视觉-语言模型中的空间表征

Cheolhong Min, Jaeyun Jung, Daeun Lee, Hyeonseong Jeon, Yu Su, Jonathan Tremblay, Chan Hee Song, Jaesik Park

机构 * Seoul National University（首尔国立大学） ； The Ohio State University（俄亥俄州立大学） ； NVIDIA（英伟达） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 通过最小对比对分析，发现视觉-语言模型存在垂直-距离纠缠（将图像垂直位置与距离混淆），这种透视偏差导致性能差距，并随数据规模扩大而加剧，而具有良好分离空间轴的模型更鲁棒。

Getting to the Point: Pointing Improves LVLMs at Counting

直击要点：指向提升LVLMs的计数能力

Simone Alghisi, Massimo Rizzoli, Seyed Mahed Mousavi, Giuseppe Riccardi

机构 * Signals and Interactive Systems Lab, University of Trento（信号与交互系统实验室，特伦托大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出Point-then-Count方法，通过生成目标物体坐标进行零样本计数，在多个LVLM上取得最高准确率，并揭示坐标编码的空间信息是性能提升的关键。

Mitigating State Aliasing in Vision-Language-Action Models via Inverse Dynamics Learning

通过逆动力学学习缓解视觉-语言-动作模型中的状态混叠

Kyujin Lee, Injae Kim, Jihwan Park, Yejun Ju, Minseok Joo, Hyunwoo J. Kim

机构 * KAIST（韩国科学技术院） ； Korea University（韩国大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出将逆动力学学习作为辅助目标，直接监督VLA视觉编码器，通过预测当前与未来观测之间的动作来捕捉细粒度视觉差异，从而缓解状态混叠问题。

3DVLA: Enhancing Vision-Language-Action Models via 3D Spatial and Instance Understanding

3DVLA：通过3D空间和实例理解增强视觉-语言-动作模型

Zhongyu Xia, Yousen Tang, Bingqing Wei, Yongtao Wang

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出3DVLA框架，通过多视角一致性3D特征编码、实例估计模块和掩码自监督3D编码，解决VLA模型缺乏3D场景理解的问题，在LIBERO-Plus和RoboTwin 2.0上显著提升操作性能。

BCER Agent: Reliable Long-Horizon MRI Workflow Execution via Compilation, Artifact Binding, and Bounded Local Recovery

BCER Agent: 通过编译、工件绑定和有界局部恢复实现可靠的长期MRI工作流执行

Ziyang Long, Xinqi Li, Junzhou Chen, Yifan Gao, Debiao Li, Hsin-Jung Yang

专题命中 视觉空间推理 ：planning(abstract)

AI总结 提出BCER控制器架构，通过解耦高层规划与执行、有界局部恢复机制，在长链MRI工作流上实现端到端执行一致改进，并保持输出与中间工件的可审计关联。

Comments Pre-review submitted version of a paper accepted to MICCAI 2026. The final authenticated version will be available on SpringerLink

Embodied3DBench: Benchmarking Low-Level Embodied Spatial Intelligence of Vision Language Models

Embodied3DBench: 视觉语言模型低级具身空间智能的基准测试

Jiyao Zhang, Mingxu Zhang, Yitong Peng, Haoxuan Liu, Chenshuo Wang, Yuxing Long, Haoyang Huang, Dongjiang Li, Nan Duan, Hui Shen, Hao Dong

机构 * CFCS, School of CS, PKU（计算机学院CFCS，北京大学） ； Jingdong Technology Information Technology Co., Ltd（京东科技信息技术有限公司） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出Embodied3DBench基准，通过6类任务（空间结构理解与交互导向感知）系统评估视觉语言模型在3D环境中的低级空间智能，并合成130万QA对训练数据以弥补能力差距。

PrecisionCUA: Iterative Visual Refinement for Pixel-Precise Cursor Grounding in Code Editors

PrecisionCUA：代码编辑器中像素级光标定位的迭代视觉细化

Himangi Mittal, Gaurav Mittal, Nelson Daniel Troncoso, Yu Hu

机构 * Microsoft（微软公司） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出PrecisionCUA方法，通过迭代视觉反馈细化机制实现代码编辑器中像素级光标定位，显著提升点击精度和任务成功率。