大模型推理能力

AtomBridge: Agentic VLA Inference Plugin for Long-Horizon Tasks in Scientific Experiments

Sci-VLA：用于科学实验中长周期任务的代理VLA推理插件

Yiwen Pang, Bo Zhou, Changjin Li, Xuanhao Wang, Shengxiang Xu, Deng-Bao Wang, Peng Cheng, Shimin Di, Jingkuan Song, Min-Ling Zhang

机构 * School of Computer Science and Engineering & School of Software Engineering & School of Artificial Intelligence, Southeast University, Nanjing, China（计算机科学与工程学院、软件工程学院、人工智能学院，东南大学，南京，中国） ； Pattern Learning and Mining Lab, Southeast University, Nanjing, China（模式学习与挖掘实验室，东南大学，南京，中国） 纠错

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

AI总结 本文提出了一种基于大语言模型的代理VLA推理插件，用于提升科学实验中长周期任务的执行效率和成功率。

CoverPrune: Coverage-Driven Token Pruning for 3D VLMs via Optimal Transport

CoverPrune：基于最优传输的3D视觉语言模型的覆盖驱动型令牌剪枝

Peng Ling, Yingda Yin, Lingting Zhu, Weikai Chen, Shengju Qian, Zeyu Hu, Xin Wang, Wenming Yang

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； LIGHTSPEED 纠错

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

AI总结 针对3D VLMs因大量视觉令牌导致的计算瓶颈，提出CoverPrune框架，将剪枝转化为最优传输问题，结合FST成本与SGS算法，实现高效剪枝且性能优异。

Comments Accepted to ECCV 2026 as an Oral Presentation

Heterogeneous Vision-Language Ensemble with Disagreement-Aware Reranking for Text-Based Person Anomaly Retrieval

用于基于文本的行人异常检索的、带分歧感知重排序的异构视觉语言集成方法

Huu-An Vu, Cam Tu Tran Thi, Thanh Toan Le Ngo, Hoang Vo, Do Trung Hieu, Hieu Dinh Trung Pham, Khang Minh Le, Huy Minh Nhat Nguyen

机构 * Hanoi University of Science and Technology（河内科技大学） ； University of Information Technology, VNU-HCM（胡志明市国家大学信息技术大学） ； Vietnam National University, Ho Chi Minh City（胡志明市国家大学） ； VinUniversity ； Vietnamese-German University（越南德国大学） 纠错

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

AI总结 该研究针对大规模基于文本的行人异常检索难题，提出带分歧感知重排序的异构视觉语言集成方法，在PAB基准上取得90.92% mAP等优异指标，验证了方案有效性。

Comments Accepted at the ECCV 2026 Workshop

Mr3D-VL: A generalist vision language foundation model for Multiparametric 3D Magnetic Resonance Imaging

Mr3D-VL：面向多参数3D磁共振成像的通用视觉语言基础模型

Zhi Qiao, Xintong Wu, Yichu He, Feng Shi

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

AI总结 本文针对现有3D视觉语言模型无法满足多参数3D MRI跨模态协同推理需求的问题，提出Mr3D-VL模型，通过特定设计实现性能提升，在多项任务上优于同规模的领域及通用模型。

A Neighborhood Attention Transformer Network for Enhanced 3D Segmentation of the Left Anterior Descending Artery

用于增强左前降动脉三维分割的邻域注意力Transformer网络

Rafi Ibn Sultan, Chengyin Li, Yiannos Demetriou, Ahmed I. Ghanem, Joshua P. Kim, Justine Cunningham, Hassan Bagher-Ebadian, Dongxiao Zhu, Kundan S. Thind

机构 * Wayne State University（韦恩州立大学） ； Henry Ford Health（亨利福特医疗集团） ； Alexandria University（亚历山大大学） ； Michigan State University（密歇根州立大学） ； Oakland University（奥克兰大学） ； Institute for AI and Data Science, Wayne State University（韦恩州立大学人工智能与数据科学学院） 纠错

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

AI总结 该研究提出NA-UNETR模型，结合邻域注意力等模块，经预训练和LoRA微调，在低对比度CT中提升左前降动脉分割精度，为放疗规划提供高效心脏亚结构分割框架。

Comments Acceteed by Medical Physics 2026

HSTGFormer: Hyper Spatial-Temporal Graph Transformer for 3D Human Pose Estimation

HSTGFormer：用于3D人体姿态估计的超时空图变换器

Ruochen Li, Shuang Chen, Wenke E, Farshad Arvin, Amir Atapour-Abarghouei

机构 * Durham University（杜伦大学） 纠错

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

AI总结 本文提出HSTGFormer框架，通过超时空图与自适应双尺度时间图实现时空耦合推理，在Human3.6M等数据集上以高准确率与计算效率完成3D人体姿态估计。

Comments Accepted to BMVC 2026, full paper

CT-$Δ$Bench: A Benchmark for Longitudinal 3D Medical Imaging Difference Reporting with Vision-Language Models

CT-ΔBench：基于视觉语言模型的纵向3D医学影像差异报告基准

Kegeng Tang, Jingbo Wang, Shaogang Ren, Zihao Wang

机构 * University of Tennessee at Chattanooga（田纳西大学查塔努加分校） 纠错

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

AI总结 本文针对现有医学基础模型缺乏纵向影像差异处理能力的问题，构建了专用基准CT-ΔBench，开发感知变化指标与医师验证流程，对比不同推理方式并提出基线模型DeltaMed，为时间感知医学基础模型奠定基础。

Comments Accepted by COLM 2026

BLADE: Better Language Answers through Dialogue and Explanations

BLADE：通过对话和解释提升语言答案

Chathuri Jayaweera, Phoebe Huang, Bonnie J. Dorr

机构 * University of Florida（佛罗里达大学） 纠错

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

AI总结 BLADE通过引导学习者接触相关教学资源而非直接提供答案，提升学生对课程资源的导航能力和概念理解。

Comments Contains 7 figures

UniProbe: A Learnable Token-Level Hallucination Detector for Large VLMs using Multi-Structural Internal Representations

UniProbe：基于多结构内部表征的可学习大视觉语言模型（VLM） token 级幻觉检测器

Dvir Samuel, Guy Bar-Shalom, Fabrizio Frasca, Ethan Fetaya, Yftah Ziser, Gal Chechik, Haggai Maron

机构 * NVIDIA Research（英伟达研究院） ； Technion（以色列理工学院） ； Bar-Ilan University（巴伊兰大学） ； University of Groningen（格罗宁根大学） 纠错

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

AI总结 UniProbe 是基于 LVLM 异构计算轨迹的可学习 token 级幻觉检测器，通过多结构模块交互实现 SOTA 检测性能，解码时可降 55% 对象幻觉且延迟仅增 6%

Comments Project Page: https://research.nvidia.com/labs/par/uniprobe/

FoR-SALE: Frame of Reference-guided Spatial Adjustment in LLM-based Diffusion Editing

FoR-SALE：基于参考坐标系引导的LLM驱动扩散编辑中的空间调整

Tanawan Premsri, Parisa Kordjamshidi

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Michigan State University（密歇根州立大学） 纠错

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

AI总结 FoR-SALE是SLD的扩展，通过参考坐标系引导的潜在空间操作调整图像朝向与深度，在三个空间理解基准上仅单轮校正就将SOTA T2I模型性能提升最高7.0个百分点，解决了非相机视角空间表达的生成偏差问题。

Comments Published in COLM 2026. 10 main pages, 4 tables, 4 figures

CEAA: A Cognitive Embodied Agents Architecture for Interactive Computing Systems

CEAA：面向交互式计算系统的认知具身智能体架构

Aimilios Hadjiliasi, Louis Nisiotis

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

AI总结 该研究针对具身IVAs在实时交互式虚拟环境中实现认知能力的挑战，提出基于Sense-Think-Act等框架的模块化认知架构，弥合高级推理与实时执行的差距，用于部署可扩展的具身IVAs。

NeuroRefiner: Morphology-Aware Multi-Agent Refinement for 3D Fluorescence Microscopy Neuron Segmentation

NeuroRefiner：面向3D荧光显微镜神经元分割的形态感知多智能体细化方法

Haiyang Yan, Jinyue Guo, Yanchao Zhang, Bingqing Wang, Zhenchen Li, Jing Liu, Jiazheng Liu, Linlin Li, Hua Han

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Beijing Normal University（北京师范大学） 纠错

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

AI总结 针对3D荧光显微镜神经元分割的拓扑与细节保留难题，本文提出NeuroRefiner多智能体系统结合TopoRefineNet工具，在多数据集上实现优于现有方法的分割性能，ZBFWB数据集F1分数提升3.02%。

Comments Accept by ECCV 2026

Exploring LLM Capabilities for Situational Understanding and COLREG compliance on real-world maritime navigation scenarios

探索大语言模型（LLM）在现实世界海事航行场景中的情境理解与《国际海上避碰规则》（COLREG）遵从能力

Julius Wirbel, P. Nicholas Hansen, Line K. H. Clemmensen, Roberto Galeazzi

机构 * Technical University of Denmark（丹麦技术大学） ； University of Copenhagen（哥本哈根大学） 纠错

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

AI总结 本研究探索LLM在海事航行中的应用，构建含50个真实场景的AIS数据集，评估不同LLM的理解与推理能力，发现不微调则难以解决海事航行任务。

Comments Submitted and accepted to the IFAC WC 2026 as an invited session paper for track 7.2 Transportation and Vehicle Systems - Marine Systems

AeroDPO: Unleashing Lightweight UAV Navigation with High-Fidelity Perception and Automated Preference Optimization

AeroDPO：释放具备高保真感知与自动偏好优化的轻量级无人机导航能力

Peng Xu, Chengcheng Wang, Shaohua Wan

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

AI总结 本文提出AeroDPO，通过高保真感知与自动偏好优化，使20亿参数轻量级无人机导航模型达到70亿参数模型的成功率，同时降低分布外场景碰撞率，成为自主空中智能体新SOTA。

Comments 7 pages, 3 figures, 4 tables

Learning an Interior Layout Policy in a Domain Specific Language Action Space

在领域特定语言动作空间中学习室内布局策略

Yuhao Lu, Weichen Zhang, Wenyi Xiao, Haohui Chen, Yiyun Fei

机构 * Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团） 纠错

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

AI总结 针对现有室内布局生成方法的缺陷，该研究提出基于LLM的LayoutDSL框架，通过领域特定语言动作空间学习布局策略，结合数据集构建与强化学习优化，显著提升了布局的空间合理性与设计逻辑性。

GraphWalker: Agentic Knowledge Graph Question Answering via Synthetic Trajectory Curriculum

GraphWalker: 通过合成轨迹课程实现基于知识图谱的代理问答

Shuwen Xu, Yao Xu, Jiaxiang Liu, Chenhao Yuan, Wenshuo Peng, Jun Zhao, Kang Liu

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） 纠错

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

AI总结 GraphWalker通过自动化轨迹合成和分阶段微调解决知识图谱问答中的探索与泛化问题，提升轻量强化学习性能，在CWQ和WebQSP上取得最优效果。

Comments COLM 2026

LMM Modality Transfer: A Pre-requisite for Autonomous GIS Agents

多模态大模型模态迁移：自主地理信息系统智能体的先决条件

Ivan Majic, Zexian Huang, Franziska Hübl, Krzysztof Janowicz, Meilin Shi, Mina Karimi, Zilong Liu, Alexandra Fortacz-Lazan

机构 * Graz University of Technology（格拉茨工业大学） ； University of Vienna（维也纳大学） ； University of Liverpool（利物浦大学） 纠错

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

AI总结 本文针对自主GIS智能体的先决条件，提出LMM模态迁移任务，发现现有LMM在图像与文本模态间传递空间信息的能力不足，需加强多模态对齐以实现地理空间理解。

Capek 0.5: An Execution-Centric Vision-Language Model for Embodied Intelligence

Capek 0.5：面向具身智能的以执行为中心的视觉语言模型

Ying Chen, Weizhen Li, Zhe Hu, Zhenjiang Li, Rui Jiang, Zhifeng Gu, Lihuang Fang, Jiangping Liu, Lei Yi, Jie Chen

机构 * Xiaopeng（小鹏汽车） 纠错

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

AI总结 提出以执行为中心的具身视觉语言模型Capek 0.5，通过分类法整合四类具身能力，在多维度评估中表现优于初始化模型，可迁移至闭环具身任务执行。

Corrupting Attention: Evasion-Based Adversarial Attacks on Encoder Attention in Detection Transformers

破坏注意力：对检测 Transformer 中编码器注意力的基于规避的对抗攻击

Ridma Jayasundara, Shaheer Mohamed, Tharindu Fernando, Harshala Gammulle, Basura Fernando, Sanka Rasnayake, A V Subramanyam, Sridha Sridharan, Clinton Fookes

机构 * Queensland University of Technology（昆士兰科技大学） ； Agency for Science, Technology and Research, Singapore（新加坡科技研究局） ； National University of Singapore（新加坡国立大学） ； Indraprastha Institute of Information Technology, Delhi（英迪拉普拉斯塔信息技术学院（德里）） 纠错

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

AI总结 本文提出首个针对检测 Transformer 编码器注意力的对抗攻击，在不可察觉扰动下破坏注意力结构，使 DETR-R50、DINO-Swin-L 等主流检测器 mAP 大幅下降，性能优于现有攻击。

Comments 8 pages, 6 figures, 6 tables

Probing Visual Concepts in Lightweight Vision-Language Models for Automated Driving

探测轻量视觉语言模型中视觉概念以用于自动驾驶

Nikos Theodoridis, Reenu Mohandas, Ganesh Sistu, Anthony Scanlan, Ciarán Eising, Tim Brophy

机构 * University of Limerick（利默里克大学） ； Valeo Vision Systems, Ireland（爱尔兰瓦莱欧视觉系统） ； Department of Electronic and Computer Engineering（电子与计算机工程系） 纠错

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

AI总结 本研究探讨了轻量视觉语言模型在自动驾驶中的视觉概念编码问题，发现某些概念显式编码而其他隐式编码，并识别出感知和认知两种失败模式。

Journal ref Transactions on Machine Learning Research, 2026

Hijacking Robots with a Piece of Paper: A Systematic Study of Physical Prompt Injection in VLM-Controlled Robots

用一张纸劫持机器人：对VLM控制机器人的物理提示注入的系统研究

S. M . Bhagya P. Samarakoon, M. A. Viraj J. Muthugala, W. K. R. Sachinthana, Mohan Rajesh Elara

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

AI总结 该研究针对VLM控制的分拣机器人，系统分析了四类物理提示注入攻击的成功率，发现其存在显著脆弱性，且三种简单防御措施可大幅降低风险。

OPD-V: Visual On-Policy Self-Distillation with Modality Balance

OPD-V：结合模态平衡的视觉在线策略自蒸馏

Aniri, Jinhe Bi, Peng Liao, Zengjie Jin, Volker Tresp, Fei Shen, Yunpu Ma, Tat-Seng Chua

机构 * National University of Singapore（新加坡国立大学） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 该研究针对多模态大语言模型的模态不平衡问题，提出视觉在线策略自蒸馏范式OPD-V，通过正、负教师模型实现模态平衡，在多基准与骨干上提升推理性能并降低训练成本。

Comments Corrected the uploaded manuscript. Project Page:https://github.com/aniri15/OPD-V

PhaseCoder: Microphone Geometry-Agnostic Spatial Audio Understanding for Multimodal LLMs

PhaseCoder: 无关麦克风几何的多模态大语言模型空间音频理解

Artem Dementyev, Wazeer Zulfikar, Sinan Hersek, Pascal Getreuer, Anurag Kumar, Vivek Kumar

机构 * Google DeepMind（谷歌DeepMind） ； Media Lab, MIT（媒体实验室，麻省理工学院） ； Google AR（谷歌AR） 纠错

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

AI总结 PhaseCoder是一种无需麦克风几何结构的Transformer空间音频编码器，能够生成空间嵌入并使LLM实现复杂空间推理和转录任务。

NSF-HRPT: Neural Semantic Field meets Hierarchical Risk Perception Tree for Safety-Critical Scenario Assessment

NSF-HRPT：神经语义场结合分层风险感知树的安全关键场景评估方法

Yu Zhao, Jiangyu Pan, Tao Hu, Ming Yin, Fan Yang, Jiangfan Liu, Xiubo Liang

机构 * Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） 纠错

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

AI总结 该研究提出NSF-HRPT框架，结合神经语义场与分层风险感知树，引入Sim2Real策略，实现单目视觉输入下安全关键场景的高效风险评估，在合成与现实数据集上均取得优异性能。

Comments 13 pages, 5 figures

EmpaAva: An Open-source Agentic 3D-Avatar Empathetic Live Chatbot

EmpaAva：开源智能体式3D化身共情实时聊天机器人

Jie Yang, Wenhao Xu, Shuhui Lin, Hao Fei

机构 * National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； University of Oxford（牛津大学） 纠错

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

AI总结 该研究提出首个开源智能体式3D化身共情聊天机器人EmpaAva，通过三智能体架构实现闭环多模态交互，在评估中优于多款基准模型，将开源并提供在线演示。

Comments Project&Demo: https://empaava.top/

Chat Debugging: An Exploratory Study of Human-AI Collaboration to Debug Analog Circuits

聊天调试：人机协作调试模拟电路的探索性研究

John Hu, Andrew Ash

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

AI总结 该研究通过分析本科生与开源大型语言模型（LLMs）协作调试模拟电路的聊天记录，揭示了人机协作调试的模式、LLMs的优势与不足及学生的技能短板，为优化人机协作调试提供了依据。

Comments This is the accepted version of a paper to be presented at the 2026 IEEE Frontiers in Education Conference (FIE). The final version will be available via IEEE Xplore

TBSG-Net: Temporal Bipartite Scene Graph Network for Fine-Grained Video Moment Retrieval

TBSG-Net：用于细粒度视频时刻检索的时间二分场景图网络

Ji Huang, Yongsheng Dai, Tianyu Ren, Barry Devereux, Hui Wang

机构 * Queen’s University Belfast（贝尔法斯特女王大学） ； School of Electronics, Electrical Engineering and Computer Science（电子、电气工程与计算机科学学院） 纠错

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

AI总结 针对无提案视频时刻检索中静态场景图的时间动态性缺失与时间跨度编码不足问题，提出首个基于动态场景图的TBSG-Net，通过TBSG构造器与混合编码器实现显著性能提升。

CoNav-UAV: Cooperative Dual-Altitude Aerial Navigation via Stackelberg Learning

CoNav-UAV：基于Stackelberg学习的协同双高度无人机导航

Junru Song, Wenhao Zhang, Yang Yang, Xuekai Qiu, Feifei Wang, Weien Zhou, Tingsong Jiang, Ying Wen, Yang Li, Wen Yao

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

AI总结 针对双高度无人机协同导航的合作问题，本文提出CoNav-UAV，通过迭代Stackelberg学习优化高空领导者与低空跟随者，在AerialVLN基准上显著提升导航成功率且适配数据需求更少。

3DZip: Spatial-Aware Feature Diversity-Guided Token Compression for 3D Question Answering

3DZip：面向3D视觉问答的空间感知特征多样性引导的Token压缩方法

Changwoo Baek, Kyeongbo Kong

机构 * Pusan National University（釜山国立大学） 纠错

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

AI总结 本文针对3D视觉问答中Token压缩忽略空间特性的问题，提出三阶段框架3DZip，在三个基准上以128个Token保留94.7%性能、提速1.92倍，优于现有方法。

Comments Accepted to ECCV 2026. Project page: https://cvsp-lab.github.io/3DZip

SG-Layout: Structured Scene Graph-Guided Layout Generation with LLMs

SG-Layout：基于结构化场景图引导的大语言模型布局生成方法

Junsheng Wang, Chao Chen, Mengying Xie, Mingyan Li, Fuqiang Gu

机构 * Chongqing University（重庆大学） 纠错

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

AI总结 SG-Layout通过两阶段训练将结构化空间知识融入LLMs，在三类任务中提升了空间推理与几何一致性，尤其适配关系密集的复杂场景。

Comments 16 pages, 5 figures. Accepted at WAICA 2026