Relationship-Aware Hierarchical 3D Scene Graph for Task Reasoning
关系感知的层次3D场景图用于任务推理
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出了一种关系感知的层次3D场景图，结合视觉语言模型和大型语言模型，用于任务推理和环境交互。
Comments ICRA 2026, 8 pages
AI 大模型
大模型推理能力
大模型数学、逻辑、规划、多步推理和测试时计算能力。
1. 视觉空间推理 3352 篇
LongVPO: From Anchored Cues to Self-Reasoning for Long-Form Video Preference Optimization
LongVPO：从锚定线索到自我推理的长视频偏好优化
机构 * State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； JIUTIAN Research（Jiutian研究） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 LongVPO通过两阶段直接偏好优化框架，利用合成数据和递归标注流程，在无需长视频标注的情况下实现高效长视频理解，优于现有开源模型并保持短视频性能。
Comments NeurIPS 2025
Med3D-R1: Incentivizing Clinical Reasoning in 3D Medical Vision-Language Models for Abnormality Diagnosis
Med3D-R1: 促进3D医学视觉-语言模型的临床推理
机构 * School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（生物医学工程学院，生命科学与医学系，中国科学技术大学） ； Suzhou Institute for Advanced Research, University of Science and Technology of China（先进研究所，中国科学技术大学） ； Stanford University（斯坦福大学） ； Medical Business Department, iFlytek Co.Ltd（iFlytek公司医学业务部） ； The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine University of Science and Technology of China（中国科学技术大学第一附属医院，生命科学与医学系）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 Med3D-R1通过两阶段训练框架提升3D医学视觉-语言模型的临床推理能力，实现更准确的异常诊断。
DiVE-k: Differential Visual Reasoning for Fine-grained Image Recognition
DiVE-k：基于微细图像识别的差分视觉推理
机构 * University of Southern California（南加州大学） ； Meta
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 DiVE-k通过利用模型自身top-k预测作为训练信号，提升细粒度图像识别的差分推理能力，显著优于现有方法。
Comments ICLR 2026
Smooth Operator: Smooth Verifiable Reward Activates Spatial Reasoning Ability of Vision-Language Model
平滑操作符：平滑可验证奖励激活视觉-语言模型的空间推理能力
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出平滑可验证奖励激活方法，通过平滑操作符和绝对保持GRPO框架提升视觉-语言模型对3D场景的理解能力，实现性能与数据效率的平衡。
VIPER Strike: Defeating Visual Reasoning CAPTCHAs via Structured Vision-Language Inference
VIPER Strike: 通过结构化视觉-语言推理击败视觉推理验证码
机构 * City University of Macau（澳门城市大学） ； CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 ViPer通过结构化视觉-语言推理框架，有效解决视觉推理验证码问题，实现高达93.2%的成功率，优于现有方法，同时提出TSR策略提升防御效果。
Comments Accepted by Usenix Security 2026
Thinking with Blueprints: Assisting Vision-Language Models in Spatial Reasoning via Structured Object Representation
基于蓝图的思考：通过结构化物体表示协助视觉-语言模型进行空间推理
机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research, Asia（微软亚洲研究院） ； Tsinghua University（清华大学） ； University of Toronto（多伦多大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 通过结构化物体表示提升视觉-语言模型的空间推理能力，引入蓝图嵌入推理轨迹、蓝图意识奖励和反捷径数据增强技术。
Comments Preprint. Under review
From Indoor to Open World: Revealing the Spatial Reasoning Gap in MLLMs
从室内到开放世界：揭示MLLMs中的空间推理差距
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出了一种大规模基准测试，通过户外数据集揭示MLLMs在空间推理方面的不足，并证明其依赖语言先验而非真实视觉推理。
Comments Project page: https://mingrui-wu.github.io/openbench/
MAction-SocialNav: Multi-Action Socially Compliant Navigation via Reasoning-enhanced Prompt Tuning
MAction-SocialNav: 通过推理增强的提示调优实现多动作社交合规导航
机构 * Graduate School of Information Science and Technology, Hokkaido University（信息科学与技术研究生院，北海道大学） ； Graduate School of Computer Science, George Mason University（计算机科学研究生院，乔治·梅森大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 MAction-SocialNav通过推理增强的提示调优实现多动作社交合规导航，提升决策质量与安全性，效率高于现有模型。
VisRes Bench: On Evaluating the Visual Reasoning Capabilities of VLMs
VisRes Bench: 关于评估视觉语言模型的视觉推理能力
机构 * Technology Innovation Institute, Abu Dhabi, UAE（阿布扎比技术创新研究所） ； Tuebingen AI Center/University of Tuebingen（图宾根人工智能中心/图宾根大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 VisRes Bench通过三个层次评估VLMs的视觉推理能力，揭示其在复杂任务中的局限性，并为多模态研究提供统一框架。
RemoteReasoner: Towards Unifying Geospatial Reasoning Workflow
RemoteReasoner: 向统一地理空间推理流程迈进
机构 * COWARobot
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 RemoteReasoner通过强化学习实现统一地理空间推理流程，具备多粒度任务处理能力和自主推理能力。
GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization
GeoVista: 基于网络增强的代理视觉推理用于地理定位
机构 * Fudan University（复旦大学） ； Tencent Hunyuan（腾讯文元） ； Tsinghua University（清华大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 GeoVista通过整合图像缩放和网络搜索工具，提升地理定位任务的代理模型性能，实现优于开源模型的性能。
SNOW: Spatio-Temporal Scene Understanding with World Knowledge for Open-World Embodied Reasoning
SNOW：基于世界知识的时空场景理解用于开放世界具身推理
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Esslingen University of Applied Sciences（埃斯林根应用科学大学） ； Dr. Ing. h.c. F. Porsche AG（德意志联邦汽车工业联合会） ； University of Michigan（密歇根大学） ； Voxel51 Inc.（Voxel51公司）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SNOW通过整合视觉语言模型与点云几何，实现统一的4D场景理解，提升开放世界具身推理的性能。
R4: Retrieval-Augmented Reasoning for Vision-Language Models in 4D Spatio-Temporal Space
R4：在4D时空空间中为视觉语言模型引入检索增强推理
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Esslingen University of Applied Sciences（埃斯林根应用科学大学） ； Dr. Ing. h.c. F. Porsche AG（德意志联邦汽车工业协会） ； University of Michigan（密歇根大学） ； Voxel51 Inc.（Voxel51公司）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 R4通过构建4D时空知识库，使视觉语言模型具备结构化终身记忆，实现无需训练的检索增强推理，提升动态环境中的具身推理能力。
Enhancing Visual Programming for Visual Reasoning via Probabilistic Graphs
通过概率图增强视觉编程用于视觉推理
机构 * School of Computer Science and Engineering, Sun Yat-sen University（计算机科学与工程学院，中山大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 通过构建概率图解决视觉编程非可微问题，提升视觉推理任务的性能。
Comments 13 Pages, 12 figures
FoundationMotion: Auto-Labeling and Reasoning about Spatial Movement in Videos
FoundationMotion: 自动标注与视频中空间运动的推理
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； UMich（密歇根大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 FoundationMotion通过自动数据整理管道生成大规模细粒度运动数据集，提升开源模型在运动理解与空间推理任务中的性能。
Comments Code is available at https://github.com/Wolfv0/FoundationMotion/tree/main
View-on-Graph: Zero-shot 3D Visual Grounding via Vision-Language Reasoning on Scene Graphs
视图-图：通过场景图上的视觉-语言推理实现零样本3D视觉定位
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出视图-图方法，通过场景图上的视觉-语言推理实现零样本3D视觉定位，有效解决空间语义关系处理难题。
Tri-Bench: Stress-Testing VLM Reliability on Spatial Reasoning under Camera Tilt and Object Interference
Tri-Bench：在相机倾斜和物体干扰下测试VLM在空间推理中的可靠性
机构 * Amit Bendkhale（独立研究者）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 Tri-Bench通过测试VLM在相机倾斜和物体干扰下的空间推理可靠性，揭示了模型在几何推理中的不足。
Comments 6 pages, 3 figures. Code and data: https://github.com/Amiton7/Tri-Bench. Accepted to the AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent)
SpatialDreamer: Incentivizing Spatial Reasoning via Active Mental Imagery
SpatialDreamer: 通过主动心理意象激励空间推理
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫莫德·宾·扎耶德人工智能大学） ； Sun Yat-sen University（孙中山大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SpatialDreamer通过主动心理意象和几何策略优化，提升多模态大语言模型在复杂空间推理任务中的性能。
MMRPT: MultiModal Reinforcement Pre-Training via Masked Vision-Dependent Reasoning
MMRPT：通过遮蔽视觉依赖推理的多模态强化预训练
机构 * SenseTime（秒速科技）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 MMRPT通过强化学习提升多模态预训练效果，利用视觉基础推理增强模型对视觉内容的理解能力。
Comments 7 pages, 1 figures
VRSA: Jailbreaking Multimodal Large Language Models through Visual Reasoning Sequential Attack
通过视觉推理序列攻击对多模态大语言模型进行劫持
机构 * Alibaba Group（阿里巴巴集团） ； Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 VRSA通过视觉推理序列攻击方法，针对多模态大语言模型的视觉模态进行劫持，提升攻击成功率。
LOG-Nav: Efficient Layout-Aware Object-Goal Navigation with Hierarchical Planning
LOG-Nav: 面向复杂多房间室内环境的高效布局感知物体目标导航方法
专题命中 视觉空间推理 ：planning(title,abstract)
AI总结 LOG-Nav通过层次化规划和大语言模型智能体实现高效布局感知导航，实验显示其在复杂室内环境中的导航成功率显著提升。
COOPER: A Unified Model for Cooperative Perception and Reasoning in Spatial Intelligence
COOPER：一种用于空间智能中协作感知与推理的统一模型
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Baidu Inc.（百度公司）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 COOPER是一种统一的多模态大语言模型，通过整合深度和分割等辅助模态，提升空间感知与推理能力，实现空间智能的增强。
InfiniBench: Infinite Benchmarking for Visual Spatial Reasoning with Customizable Scene Complexity
InfiniBench：用于可定制场景复杂度的无限基准测试
机构 * University of Pittsburgh（匹兹堡大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 InfiniBench通过可定制的3D场景生成方法，提升视觉语言模型在复杂空间推理任务中的评估能力。
iFinder: Structured Zero-Shot Vision-Based LLM Grounding for Dash-Cam Video Reasoning
iFinder: 结构化零样本视觉基于LLM的地面定位用于行车记录仪视频推理
机构 * NEC Laboratories, America（NEC美国实验室） ； University of California, Riverside（加州大学河滨分校） ； University of California, San Diego（加州大学圣地亚哥分校）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 iFinder通过结构化语义接地框架，利用行车记录仪视频中的关键线索提升LLM在驾驶视频推理中的性能。
Comments Accepted at NeurIPS 2025
Seeing before Observable: Potential Risk Reasoning in Autonomous Driving via Vision Language Models
在可观察之前看见：通过视觉语言模型在自动驾驶中的潜在风险推理
机构 * School of Vehicle and Mobility, Tsinghua University（车辆与移动系统学院，清华大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出PotentialRiskQA数据集和PR-Reasoner框架，通过视觉语言模型提升自动驾驶中潜在风险的前瞻性推理能力。
Guiding the Inner Eye: A Framework for Hierarchical and Flexible Visual Grounded Reasoning
引导内在之眼：一种用于层次化和灵活的视觉基础推理的框架
机构 * Basic Algorithm Center, PCG, Tencent（腾讯基本算法中心、PCG、腾讯）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 GRiP通过认知增强的强化学习框架，提升视觉基础推理的鲁棒性和灵活性，实现复杂场景下的高性能表现。
Comments 9pages
Perceptual Taxonomy: Evaluating and Guiding Hierarchical Scene Reasoning in Vision-Language Models
感知分类：评估和引导视觉语言模型中的层次场景推理
机构 * Johns Hopkins University（约翰霍普金斯大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出感知分类基准测试，旨在评估和引导视觉语言模型在层次场景推理中的能力，揭示模型在属性驱动推理上的不足，并展示通过上下文示例提升性能的效果。
ControlThinker: Unveiling Latent Semantics for Controllable Image Generation through Visual Reasoning
ControlThinker: 通过视觉推理揭示潜在语义以实现可控图像生成
机构 * Shanghai Key Lab of Intell. Info. Processing, School of CS, Fudan University（上海智能信息处理关键实验室，复旦大学计算机学院） ； Shanghai Collaborative Innovation Center on Intelligent Visual Computing（上海智能视觉计算协同创新中心） ； MiniMax
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 ControlThinker通过视觉推理挖掘潜在语义，提升可控图像生成的语义一致性和视觉质量。
SpatialGeo:Boosting Spatial Reasoning in Multimodal LLMs via Geometry-Semantics Fusion
SpatialGeo:通过几何-语义融合提升多模态大语言模型的空间推理能力
机构 * School of Computer Science and Technology, Tongji University, Shanghai, China（计算机科学与技术学院，同济大学，上海，中国）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SpatialGeo通过几何-语义融合提升多模态大语言模型的空间推理能力，实验表明在空间推理任务中准确率提升8.0%且内存消耗减少50%。
