大模型推理能力

Spatial Memory Agent: Experience-Grounded Procedure Memory for Spatial Intelligence

空间记忆智能体：用于空间智能的基于经验的过程记忆

Haokai Zhang, Yuhang Ding, Yunshu Zhou, Xinze Du, Shengtao Zhang, Zhiyue Zhao, Yuling Xi, Hao Chen

机构 * Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 该研究提出SMA框架，让冻结VLM智能体无需外部空间工具，通过无参数更新自进化提升空间推理，在多基准和模型上表现最优，提供了空间自进化的实用路径。

Comments Under Review

Spatial-IQ: Deconstructing Spatial Intelligence via Hierarchical Capability Tests

空间智商：通过分层能力测试解构空间智能

Patrick Rim, Tom Long, Ekta Prashnani, Ruth Rosenholtz, Ben Boudaoud, Peter Xenopoulos, Alex Wong, Joohwan Kim, Jae-Hyun Jung

机构 * NVIDIA Research（英伟达研究院） ； Yale University（耶鲁大学） 纠错

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

AI总结 研究针对多模态大语言模型空间推理能力不足问题，提出Spatial-IQ分层诊断框架，分解物体计数任务为子任务，生成数据集评估模型，发现模型存在问题，且用思维链监督和强化学习训练可提升模型表现。

WCog-VLA: A Dual-Level World-Cognitive Vision-Language-Action Model for End-to-End Autonomous Driving

WCog-VLA：用于端到端自动驾驶的双级世界认知视觉-语言-行动模型

Xuerun Yan, Zhexi Lian, Nuoheng Zhang, Shiyu Fang, Haoran Wang, Chen Lv, Jia Hu, Binyang Song

机构 * Tongji University（同济大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 针对现有视觉-语言-行动模型在自动驾驶中存在的局限，提出双级世界认知的WCog-VLA框架，语义层统一认知推理，生成层引入新模型加速推理，构建数据集，实验证明该模型在NAVSIM基准测试中达到最优分数。

Comments 20 pages, 7 figures

On Locality and Length Generalization in Visual Reasoning

关于视觉推理中的局部性和长度泛化

Pulkit Madan, Sanjay Haresh, Reza Ebrahimi, Sunny Panchal, Apratim Bhattacharyya, Roland Memisevic

机构 * Qualcomm AI Research（高通人工智能研究中心） 纠错

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

AI总结 研究从视觉状态跟踪和长度泛化角度，探讨局部、顺序视觉模型是否有计算优势。受语言模型启发，研究简单视觉任务中视觉模型行为。发现其会利用全局捷径，基于严格局部感知的策略可缓解此问题，表明局部注意力对稳健组合泛化很关键。

Comments Accepted at ECCV 2026

RAVEN: Long-Horizon Reasoning & Navigation with a Visuo-Spatio-Temporal Memory

RAVEN: 基于视觉-空间-时间记忆的长期推理与导航

Yixun Hu, Zhicheng Zheng, Lihan Zha, Chunwei Xing, Rajdeep Singh, Omar Hossain, Antonio Loquercio, Dhruv Shah

机构 * Princeton University（普林斯顿大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 提出RAVEN记忆系统，通过存储视觉嵌入与位姿时间信息，实现长期机器人问答与导航，在多个基准上超越字幕记忆系统，以10倍更低检索成本匹配前沿VLM。

Comments Project website: https://ravenmem.github.io/

No Training, Better Flights: Test-Time Scaled VLMs for UAV Navigation

无需训练，飞行更佳：用于无人机导航的测试时缩放视觉语言模型

Feinan Cheng, Dongliang Xu, Wenli Nong, Zhiheng Zhang, Ang Liu, Tianyu Wang, Yue Yao

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)；self-correction(abstract)

AI总结 研究如何将测试时缩放应用于无人机视觉语言导航，通过迭代细化和多标准评分函数，无需额外训练，使冻结模型自我校正，生成更准确可靠飞行计划，实现最优性能。

Evidence-RL: Towards Evidence-intensive Visual Reasoning

Evidence-RL：面向证据密集型视觉推理

Haojie Huang, Xinlei Yu, Chengming Xu, Zhangquan Chen, Cheng Yang, Qingdong He, Yu Yang, Jiangning Zhang, Xiaobin Hu

机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Tencent（腾讯） 纠错

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

AI总结 针对视觉-语言模型依赖语言先验等问题，提出反事实证据解缠方法，结合GRPO框架在9个基准和4种骨干模型上优于现有基于RL的后训练方法。

Comments 22 pages, 10 figures

Reference-Based Manipulation: A Framework and Pipeline for Multimodal Spatial Reasoning

基于参考的操作：多模态空间推理的框架与流程

Yangyang He, Zhuangze Hou, Yonglin Chen, Can Liu

专题命中 视觉空间推理 ：reasoning(title)

AI总结 本研究针对沉浸式平台中多模态空间交互问题，提出基于参考的操作框架，分解空间参考为源、锚点、框架组件，实现LLM驱动的流程并验证其效用，为空间交互设计提供关键经验。

Comments 16 pages, 10 figures. Accepted to the 39th Annual ACM Symposium on User Interface Software and Technology (UIST 2026)

StyleForge: Indoor Furniture Styling by Counterfactual Reasoning in a Hypergraph Field

StyleForge：基于超图场中反事实推理的室内家具风格生成

Lingwei Dang, Shishuo Shang, Pan Liu, Jiajia Cheng, Ziyan Qiu, Zhenhao Zhang, Yufei Zhu, Shenghui Huang, Qingxin Xiao, Yun Hao, Juntong Li, Qingyao Wu

专题命中 视觉空间推理 ：reasoning(title)

AI总结 StyleForge是基于动态超图风格场的室内家具风格生成框架，通过反事实风格偏好学习解决固定布局家具的风格冲突，在3D-FRONT数据集上实现了优于基线的家具检索和场景风格一致性。

ZeroDex: Zero-Shot Long-Horizon Dexterous Manipulation via Multi-View 3D-Grounded VLM Reasoning

零样本长时程灵巧操作：基于多视图3D接地VLM推理

Jisoo Kim, Sangwon Baik, Taeksoo Kim, Sungjoo Kim, Junyoung Lee, Mingi Choi, Hanbyul Joo

机构 * Seoul National University（首尔国立大学） 纠错

专题命中 视觉空间推理 ：reasoning(title)

AI总结 提出零样本框架，利用多视图RGB图像通过VLM生成3D任务规划，结合三角测量和射线投票实现精确3D接地，支持抓取和工具使用，在真实实验中优于基线方法。

MELLON - Multimodal Enhanced LLM for Online Navigation

MELLON——面向在线导航的多模态增强型大语言模型

Ruiyu Li, Haoyang Cai, Zhitong Guo, Tong Hu

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

AI总结 针对网页导航智能体现有模型的不足，本文以WebShop为基准，提出MELLON等三项多模态增强方案，训练1个epoch后MELLON任务完成准确率提升9.26%，验证了多模态方法的重要性。

VIA: Visual Interface Agent for Robot Control

VIA：用于机器人控制的视觉接口代理

Hengyuan Hu, Priya Sundaresan, Jensen Gao, Dorsa Sadigh

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 研究探索能否用基础模型通过视觉接口控制机器人，提出 VIA 框架，将机器人控制转为代理任务，该框架无需特定微调及特权信息，能零样本解决多种桌面操作任务，凭借基础模型能力提升取得高成功率，证明前沿代理技能可借合适接口用于机器人控制。

Foundation Models for Automatic CAD Generation

用于自动CAD生成的基础模型

J de Curtò, Victoria Guillén, I. de Zarzà

机构 * BARCELONA Supercomputing Center（巴塞罗那超级计算中心） ； Universidad Pontificia Comillas（庞培法布拉大学） ； Chung-Ang University（中央大学） ； LUXEMBOURG Institute of Science and Technology（卢森堡科学技术研究所） 纠错

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

AI总结 研究利用统一评估管道和基准，对用于机械零件自动CAD生成的基础模型展开实证。介绍LLMForge框架，通过两种批判机制评估七个基础模型，展示了紧凑模型的效果，以及VLM批判的作用，还探讨了相关设计及影响。

Comments Accepted as a book chapter in "Advances in Global Applied Artificial Intelligence" (G. A. Tsihrintzis, M. Virvou, N. G. Bourbakis, L. C. Jain, Eds.), authenticated version will be published in Springer series: Learning and Analytics in Intelligent Systems

MVP-Nav: Multi-layer Value Map Planner Navigator

MVP-Nav: 多层价值地图规划导航器

Wenyuan Xie, Shaokai Wu, Yijin Zhou, Yanbiao Ji, Guodong Zhang, Bayram Bayramli, Qiuchang Li, Xunchu Zhou, Yue Ding, Hongtao Lu

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 针对零样本目标导航中缺乏深度信息导致的物理不确定性，提出MVP-Nav框架，通过3D基础模型重建物理占用并构建多层价值地图，实现语义与物理约束的统一规划，达到最先进性能。

A DVDrive Approach for doScenes Instructed Driving Challenge

一种面向 doScenes 指令驾驶挑战的 DVDrive 方法

Zijian Fu, Xiangyang Chu, Mengshi Qi, Huadong Ma, Guanghao Zhang, Wei Li

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Xiaomi EV（小米汽车） 纠错

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

AI总结 提出基于 OmniDrive 的指令条件轨迹预测方法，引入 DVPE 分视角感知模块减少跨视角干扰，提升多视角视觉定位与语言指令对齐能力。

Think Like a Pilot: Fine-Grained Long-Horizon UAV Navigation

像飞行员一样思考：细粒度长时程无人机导航

Xiangyi Zheng, Xiangyu Wang, Qinan Liao, Zimu Tang, Yue Liao, Dongyue Lyu, Guodong Wang, Junjie Liu, Si Liu

机构 * Colab ； Beihang University（北航） ； Meituan（美团） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 提出FLIGHT基准和FLIGHT VLA异步架构，通过低频飞行员推理VLM与高频扩散动作模型解耦，实现无人机长时程语义指令下的平滑连续飞行控制。

OccPlanner: Goal-Aware Occupancy-Conditioned Diffusion Planner for Pixel-Goal Navigation

OccPlanner：面向像素目标导航的目标感知占用条件扩散规划器

Binling Huang, Nianjin Ye, Xi Yang, Liang Hu, Zhou Huang, Shuang Wei, Longrui Yang, Yanchi Chen, Lanpeng Jia

机构 * Changhong Intelligent Robot（长虹智能机器人） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 该研究针对像素目标导航的3D目标定位与无碰撞规划难题，提出OccPlanner模型，引入L3ROcc生成监督，在仿真中大幅提升导航成功率，还验证了其仿真到真实的迁移适配性。

Comments Technical report. 11 pages, 6 figures, and 2 tables

GeoBridge: Decoupled Semantic Conditioning for Generative Image Geolocalization

GeoBridge：用于生成式图像地理定位的解耦语义条件机制

Zhiyang Dou, Xumeng Han, Fengde Peng, Zipeng Wang, Moxuan Zhao, Zhipei Huang, Zhenjun Han

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； School of Advanced Interdisciplinary Sciences（先进交叉科学学院） ； School of Electronic, Electrical and Communication Engineering（电子电气与通信工程学院） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究院） 纠错

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

AI总结 GeoBridge是一种解耦语义条件机制，通过连接冻结语义MLLM与黎曼流匹配头，在IM2GPS3K数据集上25/200/750公里阈值下准确率达38.67/52.89/70.37，提升了生成式图像地理定位性能，属解码侧算法贡献。

Chain of Spatial Thoughts: Modality-Agnostic Spatial Grounding for Vision Language Models

空间思维链：面向视觉语言模型的模态无关空间定位

Hunter Schofield, Mohammed Elmahgiubi, Mohammad Mahdavian, Richard Shi, Jinjun Shan, Amir Rasouli, Dongfeng Bai

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

AI总结 该研究提出轻量架构无关框架Space Tokens，将空间信息蒸馏为连续token融入VLMs的思维链，在VSI-Bench上提升两款模型性能，在尺寸估计任务达SOTA，实现高效空间推理。

CinemaTraj: Composing Atomic Camera Trajectories for 3D Scenes with LLM Agents

CinemaTraj：用LLM智能体为3D场景合成原子相机轨迹

Qianru Li, Xuyang Chen, Erkin Türköz, Lu Liu, Xuqin Wang, Liqiu Meng, Tao Wu, Yanfeng Zhang

机构 * Technical University of Munich（慕尼黑工业大学） ； Huawei Dresden Research Center（华为德累斯顿研究中心） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 CinemaTraj是将LLM智能体与3D场景图结合的框架，可从自然语言生成带旁白的3D场景相机轨迹，在真实环境中优于现有方法。

Comments 17 pages, including 8-page main paper, references, and supplementary material; project page: https://cinematraj.github.io/

G2-Nav: Grounded and Guarded Vision-Language Costmaps for Robot Social Navigation

G2-Nav：用于机器人社交导航的基于视觉语言的地面与防护代价地图

Yuwen Liao, Yihang Lan, Yizhuo Yang, Ruimeng Liu, Xinhang Xu, Shenghai Yuan, Lihua Xie

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 研究针对机器人社交导航问题，提出G2-Nav框架，将VLM语义推理转化为视觉语言代价地图，经开放集感知评估区域和代理，结合语义验证与高频安全检查，实现非结构化环境下安全、高效且符合社会规范的自主导航。

Comments submitted

Token-Wise Latent Streaming from Slow Reasoners to Fast Planners for Dynamic Vision Language Navigation

用于动态视觉语言导航的从慢速推理器到快速规划器的逐令牌潜在流

Tianshuai Hu, Yangyi Zhong, Zeying Gong, Lingdong Kong, Xiaodong Mei, Guoyang Zhao, Xiaolu Liu, Song Wang, Rong Li, Junwei Liang

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 针对动态视觉语言导航中语言推理慢与规划需即时的矛盾，提出SPARK-VLN双系统框架，通过三个模块将慢速VLM推理器知识流到快速规划器，引入新基准套件，提高了导航成功率、社会合规性及推理效率。

DM-KG: A Novel Method for Boosting Spatial Cognition of Vision-Language Models in Street View Imagery

DM-KG：一种提升街景图像中视觉语言模型空间认知的新方法

Xinyue Xu, Zheng Zhang, Kunyang Ma, Ge Zhu, Lianshuai Cao, Lei Wang, Zixuan Li, Yi Cheng

机构 * Institute of Surveying and Mapping, Information Engineering University（信息工程大学测绘学院） ； Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；logical reasoning(abstract)

AI总结 研究针对视觉语言模型在街景图像空间认知方面的不足，提出DM-KG框架，通过提取实体关系、结合全景分割与深度估计计算坐标并编码知识图，有效提升模型空间推理准确性，降低误差，为地理视觉问答提供新框架。

CoMind: Understanding Collaborative Human Activity from Multiple Minds and Views

CoMind：从多视角理解人类协作活动

Alexey Gavryushin, Dingxi Zhang, Zhao Huang, Alexandros Delitzas, Jiaqi Chen, Ben Ellis, Cedric Zöllner, Manthan Patel, Manuel Kaufmann, Marc Pollefeys, Xi Wang

机构 * ETH Zurich（苏黎世联邦理工学院） ； MPI for Informatics（马克斯·普朗克信息研究所） ； Microsoft Switzerland（微软瑞士公司） ； TU Munich（慕尼黑工业大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 研究旨在填补人类协作认知过程研究空白，引入CoMind数据集，整合多模态数据并标注，建立相关基准，有助于开发和评估能建模复杂社会互动及推理人类行为的AI系统。

Comments Accepted to ECCV 2026

PixelPilot: Scalable Vision-Language-Action Models for End-to-End Autonomous Driving

PixelPilot：用于端到端自动驾驶的可扩展视觉-语言-动作模型

Pin Tang, Guoqing Wang, Xiangxuan Ren, Zhongdao Wang, Guodongfang Zhao, Bailan, Chao Ma

机构 * MoE Key Lab of Artificial Intelligence, Institute of AI, Shanghai Jiao Tong University（教育部人工智能重点实验室，上海交通大学人工智能研究院） ； Central Research Institute, Huawei（华为中央研究院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 针对现有视觉-语言-动作模型在自动驾驶场景中数据可扩展性有限等问题，提出PixelPilot，采用解耦规划和提升范式，通过知识灌输策略学习，提升了模型性能。

Comments Accepted by ECCV 2026

ACE-Brain-0.5: A Unified Embodied Foundational Model for Physical Agentic AI

ACE-Brain-0.5：用于物理智能体人工智能的统一具身基础模型

Brain Team, Ziyang Gong, Haoming Gu, Zehang Luo, Tianyi Zhang, Tao Tao, Yixiao Chi, Zhe Liu, Lingsi Zhu, Jingyuan Liu, Anke Tang, Songze Li, Yilun Kong, Ningjing Liu, Tianyu Zhu, Yunpeng Qing, Shuang Luo, Xiang Liu, Shi Fu, Dawei Nie, Sixiang Liu, Zhexi Wen, Feng Pan, Xiaofeng Wang, Zhi Hou, Chunxiao Liu, Xue Yang, Junchi Yan, Hengshuang Zhao, Dacheng Tao, Xiaogang Wang

机构 * ACE-Brain Team（ACE-Brain团队） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 研究针对具身人工智能从模块向物理智能体发展的问题，提出ACE-Brain-0.5统一基础模型，通过耦合的五个功能及SSR+等方法，提升空间感知等能力，在多基准测试中有进步。

PAIWorld: A 3D-Consistent World Foundation Model for Robotic Manipulation

PAIWorld: 用于机器人操作的三维一致世界基础模型

Yuhang Huang, Xuan Lv, Junyan Xu, Zhiyuan Yu, Jiazhao Zhang, Ruizhen Hu, Wancheng Feng, Shilong Zou, Hewen Xiao, Ziqiao Zhou, Kaiyun Huang, Zhiyu Peng, Juzhan Xu, Hang Zhao, Chenyang Zhu, Renjiao Yi, Yifei Huang, Douhui Wu, Yan Zhang, Kexu Cheng, Chunhe Song, Yunzhi Xue, Xiuhong Zhang, Leitao Guo, Yunji Chen, Bin Wu, Haibin Yu, Kai Xu

机构 * Institute of AI for Industries, Chinese Academy of Sciences（中国科学院人工智能产业研究院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 提出PAIWorld框架，通过几何感知交叉注意力、几何旋转位置编码和潜在3D-REPA蒸馏，解决多视图世界模型的3D不一致问题，在机器人操作基准上取得领先性能。

OmniSpace: Efficient Geometry Awareness for Autonomous Vehicles MLLMs

OmniSpace: 自动驾驶多模态大语言模型的高效几何感知

Hao Vo, Phu Loc Nguyen, Khoa Vo, Sieu Tran, Duc Minh Nguyen, Ngo Xuan Cuong, Nghi D. Q. Bui, Anh Nguyen, Duy Minh Ho Nguyen, Ngan Le

机构 * University of Arkansas（阿肯色大学） ； Google Research, Google（谷歌研究院） ； University of Liverpool（利物浦大学） ； Max Planck Research School for Intelligent Systems（马克斯·普朗克智能系统研究所） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 提出OmniSpace，一种即插即用的几何感知范式，通过相机位姿注入器、多视图极线注意力模块和3D几何蒸馏目标，从纯2D观测中提升MLLM的空间推理能力，在多个自动驾驶基准上超越现有方法。

Manifold Bandits: Bayesian Curriculum Learning over the Latent Geometry of Large Language Models

流形赌博机：大语言模型潜在几何上的贝叶斯课程学习

Darrien McKenzie, Nicklas Hansen, Xiaolong Wang

机构 * University of California, San Diego（加州大学圣迭戈分校） 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 提出贝叶斯流形课程（BMC）框架，将问题采样建模为流形结构赌博机问题，通过层次任务树和贝叶斯学习引导采样，平衡学习信号、多样性和实用性。

Comments Webpage: https://darrienmckenzie.com/manifold-bandits/

Guided Diffusion with Distilled Vision-Language Reliability for Aerial Navigation

基于蒸馏视觉语言可靠性的引导扩散用于空中导航

Ivan Valuev, Iana Zhura, Valerii Serpiva, Didar Seyidov, Dzmitry Tsetserukou

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 提出一种可靠性感知的扩散规划器，通过蒸馏视觉语言模型生成场景级可靠性热图，引导去噪过程处理不可靠区域，显著降低无人机导航中的障碍物违反率并提高区域可靠性。