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。
MedLVR: 基于潜在视觉推理的可靠医学视觉问答
机构 * Department of Radiation Oncology and Winship Cancer Institute, Emory University School of Medicine（埃默里大学医学院放射肿瘤学系与温希普癌症研究所） ； Department of Biostatistics and Bioinformatics, Emory University（埃默里大学生物统计学与生物信息学系）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 MedLVR通过引入显式视觉证据状态，在自回归解码中插入短时latent推理段，提升医学视觉问答的可靠性与准确性。
多模态焦点的潮起潮落：为基于视觉的语言模型推理调度视觉中继窗口
机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； School of Fashion and Textiles, The Hong Kong Polytechnic University（香港理工大学纺织及制衣学院） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 研究视觉语言模型视觉证据不稳定问题，通过剖析其内部多模态注意力焦点的三阶段分布，提出TRACE框架，该框架能自适应控制推理，在多模型和多基准测试中显著提升基于证据的多模态推理能力。
EMO-R3：多模态大语言模型中用于情感推理的反射强化学习
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； MiLM Plus, Xiaomi Inc.（小米公司）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 针对多模态大语言模型情感推理难题，提出EMO-R3框架。引入结构化情感思维并设计反射情感奖励，经大量实验验证，该框架显著提升模型可解释性与情商，在多视觉情感理解基准测试中表现出色。
Comments Accepted by CVPR 2026
BabyVision：超越语言的视觉推理
机构 * UniPat AI ； xbench ； Alibaba Group（阿里巴巴集团） ； MoonShot AI ； StepFun ； Peking University（北京大学） ； Tsinghua University（清华大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Princeton University（普林斯顿大学） ； Nanyang Technological University（南洋理工大学） ； G Labs Equal Core Contributors（0G Labs 等核心贡献者）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 研究发现当代多模态语言模型依赖语言先验，在基本视觉任务上表现差。为此引入BabyVision基准评估其核心视觉能力，涵盖多任务。结果显示模型缺乏基本视觉原语，BabyVision的进展迈向人类水平视觉能力，还探索了用生成模型解决视觉推理的方法。
Comments 26 pages, Homepage at https://unipat.ai/blog/BabyVision
在思考之前，先学会决策：面向高效视觉推理的主动路由
机构 * Xi’an Jiaotong University（西安交通大学） ； ARC Lab, Tencent IEG（腾讯IEG ARC实验室） ； City University of Hong Kong（香港城市大学） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Harvard University（哈佛大学） ； Nanjing University（南京大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 提出主动路由范式PRP，通过联合评估草稿模型和目标模型的能力，实现早期决策，加速多模态推理而不牺牲性能。
Comments 36 pages, 20 figures
规则导向的视觉语言导航：通过语义推理和几何校正弥合感知与合规性
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Beijing Normal University（北京师范大学） ； Guangzhou University（广州大学）
专题命中 视觉空间推理 ：reasoning(title)；planning(abstract)；分类 cs.AI
AI总结 本文提出Rule-VLN，首个大规模城市规则合规导航基准，通过语义推理和几何校正模块提升导航安全性，实验表明该模块显著提升导航能力。
CoReLIN: 基于约束推理的零样本终身交互式导航
机构 * Purdue University（普渡大学） ； Indian Institute of Technology, Kharagpur（印度理工学院卡哈拉格普尔分校） ； DEVCOM Army Research Lab（DEVCOM陆军研究实验室） ； National University of Singapore（新加坡国立大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出CoReLIN框架，利用LLM和场景图推理，在终身交互式导航中通过移动物体开辟路径并完成任务，显著提升长期效率。
m2sv: 地图到街景空间推理的可扩展基准
机构 * University of Hawai'i at M\=anoa, Honolulu, HI, USA
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出m2sv基准，通过匹配朝北俯视图与街景图像推断相机方向，评估VLM空间推理能力；最佳模型准确率65.2%，低于人类72.0%，揭示几何对齐与推理一致性的差距。
超越标量：通过几何进展和稳定性评估与理解LLM推理
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出TRACED框架，利用几何运动学将推理轨迹分解为进展和稳定性，揭示正确推理与幻觉的拓扑差异，实现鲁棒的推理质量评估。
Comments Accepted by ICML2026
MET-Bench：用于评估视觉语言与推理模型局限性的多模态实体追踪
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 提出MET-Bench多模态实体追踪基准，发现视觉语言模型在图像实体追踪上显著弱于文本，主要源于视觉推理缺陷，强化学习可提升模态内性能但跨模态迁移不足。
Comments ICML 2026
PaLMR: 通过多模态过程对齐实现忠实视觉推理
机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； Data Science & Artificial Intelligence Research Institute, China Unicom（中国unicom数据科学与人工智能研究院） ； Unicom Data Intelligence, China Unicom（中国unicom数据智能）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出PaLMR框架，通过感知对齐数据层和过程对齐优化层，减少推理幻觉并提升视觉推理忠实度，在多个基准上取得最优结果。
Journal ref CVPR 2026 Findings
想象力有助于视觉推理，但尚未在潜在空间中实现
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 通过因果中介分析发现，多模态大语言模型中的潜在推理存在输入-潜在和潜在-答案两个关键断连，表明其有效性有限，并提出显式想象方法CapImagine，在视觉推理任务中表现更优。
Comments ICML 2026 Poster
增强大型语言模型在金属有机框架结构预测中的空间推理能力
机构 * National Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； Nanjing University（南京大学） ； Institute of AI Industry Research (AIR)（人工智能产业研究院） ； Tsinghua University（清华大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； ChemBIC（化学信息学中心）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 针对MOF结构预测中原子数量多、复杂度高的问题，提出MOF-LLM框架，通过空间感知持续预训练、结构监督微调和匹配驱动强化学习，增强Qwen-3 8B模型的空间推理能力，实现35.78%匹配率和0.04秒/结构的采样效率。
Comments KDD 2026
Spa3R：用于3D视觉推理的预测空间场建模
机构 * Huazhong University of Science & Technology（华中科技大学） ； Horizon Robotics ； D-Robotics Intern at D-Robotics（D-Robotics 实习生）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 Spa3R通过自监督学习从多视角图像中提取统一的空间表示，提升3D视觉推理能力，实现与VLMs的结合，达到3D VQA任务的高准确率。
CausalSplat：面向3D高斯溅射的综合层级推理
机构 * Peking University（北京大学） ； North China Electric Power University（华北电力大学） ； Hunan University（湖南大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 针对3D高斯溅射推理局限，本文提出CausalSplat框架，结合视觉语言模型与3D场景图，构建两个推理基准，在相关任务上实现最优性能与强泛化性。
Comments Accepted to ACM MM 2026
视觉推理引导的光场遮挡去除
机构 * Johannes Kepler University（约翰·开普勒大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出结合光场积分与视觉语言模型的框架，通过多视图融合和语义先验恢复被遮挡场景，在合成和真实数据上取得最优性能。
RemoteZero：零样本地理空间推理
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本研究提出无标签强化学习框架RemoteZero，利用MLLM的评估能力和航拍图像优势，以语义一致性为内在奖励实现地理空间推理，性能优于监督基线且可自演化，适配多类地球观测任务。
OmniAD：基于多模态推理的工业异常检测与理解
机构 * Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学学院） ； Visual Intelligence + X International Joint Laboratory of the Ministry of Education（教育部视觉智能+X国际合作实验室） ； Key Laboratory of Noise and Vibration Research, Institute of Acoustics, Chinese Academy of Sciences（中国科学院声学研究所噪声与振动重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 OmniAD是融合视觉与文本推理的多模态框架，以Text-as-Mask Encoding等技术实现工业异常检测与理解，在MMAD基准性能超Qwen2.5-VL-7B等模型，代码与模型将公开。
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
ICLR: 基于视觉推理的上下文模仿学习
机构 * University of Southern California（南加州大学） ； Autodesk Research（Autodesk研究）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 ICLR通过结合视觉推理与上下文模仿学习，提升机器人在复杂任务中的适应性和泛化能力。
Comments Accepted to IROS 2026. Project website: https://toannguyen1904.github.io/ICLR
DynTrace：用于多模态大语言模型中4D时空推理的动态对象证据跟踪
机构 * Xiamen University（厦门大学） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； China University of Mining and Technology（中国矿业大学） ； Shenzhen Technology University（深圳技术大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 研究针对多模态大语言模型在连续动态场景感知中跟踪动态对象证据的局限，提出DynTrace框架，含DTV和DT-Token两个互补组件，能为模型提供基于几何视觉先验和结构化时空轨迹的动态对象证据，在多个基准测试中达先进水平。
Comments Accepted by ACM MM 2026
场景图思维：增强多模态大语言模型的结构化视觉推理
机构 * Fudan University（复旦大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 针对多模态大语言模型忽视结构化关系的问题，提出场景图思维（SaGe）范式，通过自动数据引擎转换数据、构建训练数据，采用两阶段图对齐训练范式，在多模态基准测试中取得显著改进，提升细粒度感知和推理能力。
Comments ICML 2026
AeroRAG：结构化多模态检索增强型LLM用于细粒度航空视觉推理
机构 * Research Center for Space Computing System, Zhejiang Lab, Hangzhou（杭州浙大实验室空间计算系统研究中心） ； Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou（中国科学院大学杭州高等研究院） ； School of Cyber Science and Engineering, Zhengzhou University（郑州大学计算机科学与工程学院） ； School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出AeroRAG，通过结构化场景图引导的多模态检索增强生成框架，解决航空场景中视觉问答的挑战，提升对小物体、数量、位置及物体关系的推理能力。
SplatReasoner：通过新颖视图合成增强具身推理与基础能力
机构 * POSTECH ； KAIST（韩国科学技术院） ； ETRI（韩国电子电信研究院） ； NVIDIA（英伟达）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 研究针对视觉语言模型应用于具身场景理解受固定视角限制的问题，提出SplatReasoner框架，利用3D高斯点云将新颖视图合成引入推理过程，经实验验证该方法能提升具身推理和3D基础能力。
Comments Accepted at ECCV 2026. Project page: https://splatreasoner.github.io/
RoboStream: 用记忆融合时空推理提升视觉语言模型在机器人中的应用
机构 * Shenzhen International Graduate School, Tsinghua University（深圳国际研究生院，清华大学） ； YXGN Robotics（YXGN机器人） ； China University of Mining and Technology（中国矿业大学） ； Shenzhen Technology University（深圳技术大学） ； Huazhong University of Science and Technology（华中科技大学） ； Xiamen University（厦门大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 RoboStream通过时空融合令牌和因果时空图实现持久记忆，解决机器人长时间任务中的几何锚定和状态追踪问题，提升长期任务表现。
Comments Accepted by ECCV 2026
用于空间推理的视觉语言记忆
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 研究针对当前视觉语言模型在视频空间推理中未达人类水平的问题，提出VLM²，通过双记忆模块，即工作记忆和情景记忆，实现固定成本下的高效空间推理，在多基准测试中取得最优性能，推动视觉空间智能发展。
Comments Accepted to European Conference on Computer Vision (ECCV), 2026
Q-GeoMem：面向视频空间推理的问题引导几何记忆
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Lab（上海人工智能实验室） ； Northwestern Polytechnical University（西北工业大学） ； TeleAI
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出Q-GeoMem框架，通过问题引导的几何记忆机制，结合细粒度上下文库和语义几何证据库，在视频空间推理任务中实现最先进性能。
空间平衡：利用空间推理在LLM辅助科学传播写作中平衡科学阐述与叙述吸引力
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出SpatialBalancing系统，通过结合人类空间推理与大语言模型的语义能力，提升科学传播写作中科学严谨性与叙述吸引力的平衡。
Comments DIS '26
Journal ref In Designing Interactive Systems Conference (DIS '26), June 13-17, 2026, Singapore, Singapore. ACM, New York, NY, USA, 20 pages
通过本体感知进行思考：用于VLA策略的状态基础视觉令牌选择
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Eastern Institute of Technology（东区技术研究所） ； Great Bay University（大湾大学） ； Northeast Forestry University（东北林业大学） ； National University of Singapore（新加坡国立大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 研究VLA模型中本体感知应用问题，提出ThinkProprio方法，将本体感知离散化为视觉语言模型（VLM）词汇令牌，与指令共同作用在VLM计算前选视觉补丁，贡献是提升性能、降低延迟。
面向机器人视觉-语言模型的具有推理能力的空间轨迹
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出RoboTracer，一种3D感知的视觉语言模型，通过空间编码器和回归监督解码器提升空间推理能力，并结合强化学习训练实现多步度量推理，最终在复杂场景中实现高效空间轨迹生成。
Comments Accepted to ECCV 2026. Project page: https://zhoues.github.io/RoboTracer
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