AI 大模型
大模型数学、逻辑、规划、多步推理和测试时计算能力。
MIRROR：从其他视角学习以进行多模态推理
机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI、cs.LG
AI总结 研究视觉语言模型在几何问题多模态推理上的不足，构建ODA-Data数据集，提出模态感知互惠推理优化（MIRROR）方法，通过强化学习自我监督，提升多模态推理能力，在相关基准测试中表现更优。
Geo3R：减轻多模态大语言模型中的空间推理幻觉
机构 * Peking University（北京大学） ； Joy Future Academy（京东探索研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 多模态大语言模型推理空间关系易产生幻觉，现有方法效果有限。本文定义空间推理幻觉及常见场景，提出无训练的Geo3R框架，结合几何证据和结构化3D推理减轻幻觉，实验证明该框架显著减少幻觉，优于现有模型和方法。
Comments Accepted by ACM MM 2026. This is the arXiv preprint version, not the camera-ready
S-Agent：空间工具使用激发空间智能推理
机构 * NTU（南洋理工大学） ； THU（清华大学） ； ByteDance（字节跳动） ； NWPU（西北工业大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出S-Agent空间工具使用智能体范式，通过时空证据积累和层次化工具集，将VLM作为语义规划器，实现连续多视图图像和视频的空间推理，在无训练下提升开源和闭源VLM性能，并基于S-300K轨迹微调得到紧凑空间智能体S-Agent-8B。
Comments Project Page : https://Ropedia.github.io/S-Agent
具有隐式和显式几何的3D感知视觉语言模型
机构 * Nanyang Technological University（南洋理工大学） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； HuPan Lab（湖畔实验室）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 研究针对多数2D视觉输入的VLM处理3D任务困难的问题，提出VLM-IE3D框架，通过引入隐式和显式几何令牌及3D感知适配器，融合几何表示与视觉线索，在多种3D任务中表现优异。
Comments Accepted by ECCV 2026, Open Sourced
用慢速基础模型训练快速机器人策略
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.CL、cs.LG
AI总结 本文提出VGRS方法，通过利用慢速基础模型训练快速机器人策略，结合LLM生成奖励与视觉分析诊断，提升机器人在复杂任务中的表现和部署效率。
GeoThreat：用于遥感图像解释的大型视觉语言模型的可转移目标对抗攻击
机构 * Department of Mathematics, Hong Kong Baptist University（香港浸会大学数学系） ； School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院）
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 研究针对大型视觉语言模型在遥感图像解释中的对抗攻击问题，提出GeoThreat方法，通过在概念和感知层面调制对抗表示，结合对抗目标相似性梯度等技术，实现可转移目标对抗攻击，实验证明该方法在可转移性和可控性上具有优越性。
Comments The code will be released at https://github.com/fuyimin96/GeoThreat upon acceptance
ZONDA：多楼层环境中具有动态避障功能的零样本目标导航
机构 * Southern University of Science and Technology（南方科技大学） ； Guangdong Direct Drive Technology Limited（广东直驱技术有限公司） ； South China University of Technology（华南理工大学） ； Great Bay University（大湾区大学）
专题命中 视觉空间推理 ：planning(abstract)
AI总结 研究针对目标导航任务中现有方法局限，提出ZONDA框架，集成启发式多楼层规划、多视图目标验证、动态行人避障三个核心组件，通过真实机器人及模拟测试取得显著改进结果，在动态基准测试中表现优于现有基线。
LivePhys：通过扫描即播放框架将静态物理问题转化为交互式模拟
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 研究针对教科书中静态物理问题学习的高认知负担，提出LivePhys框架，通过多模态处理构建中间表示，用大语言模型推理并由物理引擎执行生成交互式模拟，显著提升模拟性能并降低学习者认知负担。
SAGE：用于异构多智能体导航的社会感知生成引擎
机构 * Guohao School, Tongji University（同济大学国豪书院） ； Shanghai Research Institute for Intelligent Autonomous Systems（上海智能无人系统科学中心） ； Tongji University（同济大学） ； Western University（西安大略大学） ； Aeromind Technology Co., Ltd.（深圳智元科技有限公司） ； University at Buffalo-SUNY（纽约州立大学布法罗分校）
专题命中 视觉空间推理 ：planning(abstract)
AI总结 针对开放人机环境中异构多智能体导航问题，提出SAGE，通过有向异构图和异构图变换器编码交互，扩散生成模块建模轨迹，无训练安全-社会能量引导机制优化轨迹，实验验证其有效性及可扩展性。
Comments 16 pages, 5 figures, and 14 tables. Includes supplementary experimental details
在程序材质生成中反映过程专业知识
机构 * University of California San Diego（加利福尼亚大学圣地亚哥分校）
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 研究聚焦程序材质生成，核心方法是将其作为检索时的过程推理，利用专家演示、教程视频等提取轨迹并合成材质图。主要贡献是生成的材质编辑少、更符合专业策略，且相比先前系统有更好的生成和编辑性能。
Comments Accepted to ECCV 2026. Project page: https://materialapprentice.github.io
MV-GEL：语言驱动的多视图网格几何实体定位
机构 * Helmholtz Zentrum Hereon（亥姆霍兹赫里恩研究中心） ； Institute for Continuum and Material Mechanics, Hamburg University of Technology（汉堡工业大学连续介质与材料力学研究所） ； German Research Center for Artificial Intelligence（德国人工智能研究中心）
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 提出MV-GEL框架，通过语言查询定位网格上的细粒度几何实体，利用视角选择模块GELviews优先选择可观察性高的视角，结合VLM分割和光线投射提升定位精度。
Comments Accepted at ECCV 2026
Cambrian-P: 基于姿态的视频理解
机构 * New York University（纽约大学） ； UC Berkeley（加州大学伯克利分校） ； Meta FAIR
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 该研究提出Cambrian-P，一种增强的视频多模态大语言模型，通过引入可学习的相机令牌和姿态回归头，利用姿态作为轻量级监督信号，显著提升了空间推理能力，并在多个视频问答基准上实现了SOTA表现。
Comments Project Page: https://cambrian-mllm.github.io/
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈