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。
语言引导的视觉推理抽象
机构 * School of Artificial Intelligence, Guangzhou University（广州大学人工智能学院） ； Traditional Chinese Medicine Hospital of Zengcheng District（广州市增城区中医医院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出L-VARC框架，通过语言引导的特权信息学习分支增强视觉推理，设计语义压缩模块和交叉注意力投影器，在ARC任务上以18M参数超越现有方法。
Skill-3D：面向智能体3D空间推理的场景感知技能进化
机构 * Zhejiang University（浙江大学） ； University of Technology Sydney（技术悉尼大学） ； OPPO Research Institute（OPPO研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出Skill-3D框架，通过场景记忆和技能库的协同进化，使智能体根据场景自适应选择工具，显著提升3D空间推理中工具使用的正确性和充分性。
AssemLM: 用于机器人装配的空间推理多模态大语言模型
机构 * Fudan University（复旦大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究所（TeleAI），中国电信） ； Tianjin University（天津大学） ； Northwestern Polytechnical University（西北工业大学） ； Tsinghua University（清华大学） ； City University of Hong Kong（香港城市大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出AssemLM，一种融合装配手册、点云和文本指令的多模态大语言模型，通过专用点云编码器提取几何与旋转特征，实现精确的6D装配位姿推理，并构建含90万样本的AssemBench基准，在真实机器人装配任务中取得最优性能。
Comments Project Page: https://assemlmhome.github.io/
P3D-Bench：用于参数化3D生成与结构推理的多模态大语言模型基准
机构 * Nanjing University（南京大学） ； Envision
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出P3D-Bench基准，通过参数化3D程序评估多模态大语言模型在几何精度、语义对齐和装配一致性上的表现，涵盖文本到3D、图像到3D和装配3D三类任务。
Comments Project page: https://spatiaos.github.io/projects/P3D-Bench
从对应到动作：多模态大语言模型中类人多图像空间推理
机构 * University of Tokyo（东京大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出HATCH框架，通过补丁级空间对齐和动作-答案推理两个目标，提升多模态大模型在多图像空间推理中的性能，在三个基准上超越同规模基线。
Comments ICML 2026
Visual Para-Thinker++：用于视觉推理的单策略多智能体框架
机构 * Zhejiang University（浙江大学） ； Hunan University（湖南大学） ； Tianjin University（天津大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shanghai Jiao Tong University（上海交通大学） ； Jilin University（吉林大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出Visual Para-Thinker++框架，通过共享MLLM策略实例化为多个角色智能体并行推理，结合多智能体能力注入和角色解耦优化，有效缓解视觉推理中的早期感知承诺和幻觉问题。
在预测之前想象：用于视频事件预测的交错潜在视觉推理
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； City University of Hong Kong（香港城市大学） ； Nanjing University（南京大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； University of Electronic Science and Technology of China（电子科技大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出Future-L1框架，通过交错潜在视觉推理在自回归解码中交替语言token和连续潜在视觉跨度，结合LA-DAPO强化学习优化，在视频事件预测任务上取得最先进结果。
从3D感知到安全推理：基于图的实时地下矿井监控框架
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出一个结合3D语义感知、不确定性异常检测、规则检查、设备端LLM推理和GraphRAG记忆分析的连续监控框架，通过场景图和时序图实现结构化安全推理，在115个危险场景中达到93%的覆盖率和92.7%的感知精度。
SpaceTools: 通过双交互强化学习实现工具增强的空间推理
机构 * NVIDIA ； University of Michigan（密歇根大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出双交互强化学习（DIRL）框架，通过两阶段训练让视觉语言模型学会协调多种工具（如深度估计、分割、姿态估计）进行精确空间推理，在多个基准上达到最优性能。
Comments CVPR 2026
SpaMEM：具身环境中通过感知-记忆集成进行动态空间推理的基准测试
机构 * The University of New South Wales（新南威尔士大学） ； The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Xinjiang University（新疆大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出SpaMEM基准，通过动作条件场景变换和多模态数据，分层评估多模态大模型在具身环境中的空间信念演化能力，揭示坐标一致性和视觉记忆瓶颈。
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
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）
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。
如何以及想象什么？统一多模态模型中的视觉思维用于跨视角空间推理
机构 * Mila - Québec AI Institute（蒙特利尔AI研究所） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； ServiceNow AI Research（ServiceNow人工智能研究） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出View Dropout训练策略使模型利用中间思维图像进行跨视角空间推理，并发现全景视觉思维在信息性和可学习性上最优。
Comments Preprint
EgoProx: 在认知层级上评估多模态大语言模型的自我中心3D邻近推理能力
机构 * College of AI, Tsinghua University（清华大学人工智能学院） ； ByteDance（字节跳动） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 提出EgoProx基准，通过认知链任务和基于智能体的数据引擎，评估多模态大语言模型在自我中心3D邻近推理中的表现，发现模型虽具备空间知识但难以有效利用。
Comments Accepted to CVPR 2026
SpaceVista：从毫米到公里的全尺度视觉空间推理
机构 * Multimedia Laboratory, The Chinese University of Hong Kong（香港中文大学多媒体实验室） ； Beijing University of Posts（北京邮电大学） ； Hong Kong University of Science（香港理工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出全尺度空间推理解决方案，通过结构化知识系统、尺度感知建模和渐进训练范式，构建SpaceVista-1M数据集（38K视频场景、约1M空间QA对）和SpaceVista-7B模型，在5个基准上展现强泛化能力。
Comments Project Page: https://peiwensun2000.github.io/mm2km/
是时候正确了：提升视觉语言模型中的模拟时钟读取和指针空间推理能力
机构 * Incheon National University（延世国立大学） ； McGill University（麦吉尔大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 针对视觉语言模型在真实环境中读取模拟时钟的挑战，提出TickTockVQA数据集和Swap-DPO微调框架，显著提升时钟读取准确性和鲁棒性。
Comments Accepted to CVPR 2026 Findings
MotiMotion: 基于视觉推理的运动控制视频生成
机构 * University of California, Merced（加州大学梅尔茨分校） ； Adobe Research（Adobe研究）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出MotiMotion框架，通过将运动控制转化为推理生成问题，改进视频生成中因果关系和常识一致性，引入免训练视觉语言推理器和置信度感知控制方案，通过MotiBench基准测试验证其生成视频的合理性与交互性。
Comments ICML 2026. Project page: https://motimotion.github.io/
增强视觉基础模型中的眼动推理以实现眼动跟随
机构 * Beijing Jiaotong University（北京交通大学） ； University of Birmingham（英国伯明翰大学） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS部） ； Microsoft, UK（微软公司（英国））
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出了一种新的训练机制，通过局部LoRA和锥外惩罚来增强视觉基础模型中的眼动推理，以提升眼动跟随任务的性能，特别是在目标不显著时表现更优。
Comments 11 pages, 8 figures
GeoWeaver: 在场景推理前通过几何证据 grounding 视觉 token
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） ； Pazhou Lab (Huangpu)（琶洲实验室（黄埔）） ； Hainan University（海南大学） ； University of California at Merced（加州大学默塞德分校）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出 GeoWeaver，一种在场景推理前通过几何证据对视觉 token 进行 grounding 的框架，以提升空间推理能力并保持多模态能力。
VeraRetouch: 一个轻量级的全微分框架用于多任务推理照片修复
机构 * Zhejiang University（浙江大学） ； vivo BlueImage Lab（vivo BlueImage实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang Lab（浙江实验室）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出VeraRetouch，一个轻量级且全微分的多任务照片修复框架，通过使用0.5B视觉-语言模型和全微分的修复渲染器，实现了端到端的像素级训练，并引入了AetherRetouch-1M+数据集和DAPO-AE强化学习策略，以提升修复性能和泛化能力。
EventPrune: 用于高效第一人称动态空间推理的级联事件辅助标记修剪
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出Event Cascade Pruning (ECP)，一种无需训练的框架，利用事件相机的高频运动线索作为连续事件引导的运动先验，指导标记选择，从而在第一人称动态空间推理中实现高效的标记修剪，提升推理速度和减少计算量。
协同视见：基于多模态大语言模型的多机器人协作自体空间推理
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Hunan University（湖南大学） ； University of Oxford（牛津大学） ； Zhejiang University（浙江大学） ； ETH Zurich（苏黎世联邦理工学院） ； Ant Group（蚂蚁集团）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文研究了多机器人协作动态空间推理问题，提出了首个针对该任务的基准CoopSR以及多机器人自体问答数据集EgoTeam，通过引入SP-CoR框架实现了细粒度的协作空间推理，显著提升了多机器人协作推理性能。
超越定位：从全景图像中对MLLMs的视角条件空间推理进行综合诊断
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Guangzhou University（广州大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； HKUST(Guangzhou)（香港科技大学（广州））
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文研究了多模态大语言模型（MLLMs）在视角变化下的空间推理能力，提出了PCSR-Bench基准测试，评估了14种代表性MLLMs在不同任务上的表现，揭示了空间推理能力的显著差距，并探讨了通过强化学习进行优化的可能性。
Comments 10pages, 4 figures
SkyNative: 一种面向遥感视觉证据推理的原生多模态框架
机构 * College of Computer Science and Technology, Jilin University, China（吉林大学计算机科学与技术学院） ； Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education（教育部符号计算与知识工程重点实验室）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出SkyNative，一种原生多模态框架，通过去除预训练视觉骨干，直接在语言模型token空间中表示图像为原始patch tokens，以提升遥感图像的细粒度空间推理能力。
基于几何的思考：用于空间推理的主动几何整合
机构 * Shenzhen campus of Sun Yet-sen University（中山大学深圳校区） ； Yinwang Intelligent Technology Co. Ltd.（云网智能科技有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai innovation institute（上海创新研究院） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出GeoThinker框架，通过主动感知机制改进空间推理，通过空间接地融合和重要性门控实现几何与语义的精准整合，提升空间智能性能。
基于视觉的强化学习用于视觉推理
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出ViGoRL，通过强化学习实现视觉推理，通过空间坐标锚定推理步骤，提升视觉定位和搜索性能，优于传统方法。
Comments Project website: https://visually-grounded-rl.github.io/
GraphThinker: 通过事件图思维强化时间感知的视频推理
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Samsung AI Centre Cambridge（剑桥三星人工智能中心） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出GraphThinker，通过构建结构化事件表示并强化视觉 grounding，减少视频推理中的时间幻觉。在RexTime和VidHalluc数据集上取得显著提升。
Comments Under review
SpatialReward: 通过显式空间推理弥合在线强化学习中图像编辑的感知差距
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生学院，清华大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出SpatialReward，通过显式空间推理提升在线强化学习中图像编辑的感知准确性，其在MMRB2和EditReward-Bench上表现优异，并在MultiEditReward-Bench上超越专用评估器。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
基于推理的编辑：基于假设指令的图像编辑与视觉推理
机构 * Tencent Youtu Lab（腾讯云图实验室） ； Sichuan University（四川大学） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出Reason50K数据集和ReasonBrain框架，通过多模态大语言模型和扩散模型实现复杂隐含指令的图像编辑，提升视觉推理能力。
Comments Accepted by ICML2026
GeoR-Bench：评估地质学视觉推理
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing University of Technology（北京理工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 GeoR-Bench通过推理引导的视觉编辑任务评估地质学视觉推理，包含440个样本涵盖6类地质学领域和24种任务类型，揭示地质学推理仍是关键瓶颈。
CoLVR: 通过对比优化增强探索性潜在视觉推理
机构 * Shandong University（山东大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanjing University（南京大学） ； The University of Hong Kong（香港大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 CoLVR通过引入潜在对比训练框架，利用角度扰动引导学习多样化且探索性的表示，提升潜在视觉推理的探索能力，在VSP和Jigsaw任务中分别提升5.83%和8.00%。
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