视觉大模型 / VLM

Loc3R-VLM: Language-based Localization and 3D Reasoning with Vision-Language Models

Loc3R-VLM：基于语言的定位与3D推理的视觉语言模型

Kevin Qu, Haozhe Qi, Mihai Dusmanu, Mahdi Rad, Rui Wang, Marc Pollefeys

机构 * Microsoft Spatial AI Lab（微软空间AI实验室） ； ETH Zurich（苏黎世联邦理工学院） ； EPFL（苏黎世联邦理工学院） 纠错

专题命中 视觉推理 ：VLM(title,abstract)；vision-language model(title,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 Loc3R-VLM通过结合全局布局重建和显式情境建模，提升视觉语言模型的3D空间理解能力，在语言定位和3D问答任务中取得最优性能。

Comments Project Page: https://kevinqu7.github.io/loc3r-vlm

MLlm-DR: Towards Explainable Depression Recognition with MultiModal Large Language Models

MLlm-DR: 向多模态大语言模型的可解释性抑郁识别迈进

Wei Zhang, Juan Chen, En Zhu, Wenhong Cheng, YunPeng Li, Yanbo J. Wang

机构 * National University of Defense Technology（国防科技大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shanghai Mental Health Center, Shanghai Jiao Tong University School of Medicine（上海精神卫生中心，上海交通大学医学院） ； Nanjing Industria Tenebris Information Technology Co., Ltd.（南京Industria Tenebris信息技术有限公司） ； National University of Uzbekistan named after Mirzo Ulugbek（乌兹别克斯坦Mirzo Ulugbek命名的国立大学） 纠错

专题命中 视觉推理 ：multimodal large language model(title,abstract)；MLLM(title,abstract)；分类 cs.AI

AI总结 本文提出MLlm-DR模型，通过多模态大语言模型实现可解释的抑郁识别，结合小型LLM和轻量级查询模块，提升诊断性能。

WeatherReasonSeg: A Benchmark for Weather-Aware Reasoning Segmentation in Visual Language Models

WeatherReasonSeg：一种用于视觉语言模型中天气感知推理分割的基准测试

Wanjun Du, Zifeng Yuan, Tingting Chen, Fucai Ke, Beibei Lin, Shunli Zhang

机构 * Beijing Jiaotong University（北京交通大学） ； National University of Singapore（新加坡国立大学） ； Monash University（墨尔本大学） 纠错

专题命中 视觉推理 ：visual language model(title)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出WeatherReasonSeg基准测试，评估视觉语言模型在恶劣天气下的推理分割能力，通过合成和真实数据集分析天气对模型性能的影响，发现天气严重程度与模型性能呈单调下降关系。

Recurrent Reasoning with Vision-Language Models for Estimating Long-Horizon Embodied Task Progress

基于视觉语言模型的递归推理用于估计长周期具身任务进度

Yuelin Zhang, Sijie Cheng, Chen Li, Zongzhao Li, Yuxin Huang, Yang Liu, Wenbing Huang

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大型模型与智能治理研究重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（教育部下一代智能搜索与推荐工程研究中心） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出R²VLM模型，通过递归推理框架处理局部视频片段，维护全局上下文，实现复杂时间依赖推理，提升长周期任务进度估计性能。

Comments CVPR 2026

PhysQuantAgent: An Inference Pipeline of Mass Estimation for Vision-Language Models

PhysQuantAgent: 一种用于视觉-语言模型的物体质量估计推断流水线

Hisayuki Yokomizo, Taiki Miyanishi, Yan Gang, Shuhei Kurita, Nakamasa Inoue, Yusuke Iwasawa

机构 * The University of Tokyo（东京大学） ； Institute of Science Tokyo（东京科学研究院） ； National Institute of Informatics（信息处理技术研究所） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出PhysQuantAgent框架和VisPhysQuant基准数据集，通过引入三种视觉提示方法提升视觉-语言模型对真实物体质量的估计精度。

Comments Code and dataset will be available at https://github.com/hisasnow/PhysQuantAgent

Vision to Geometry: 3D Spatial Memory for Sequential Embodied MLLM Reasoning and Exploration

视觉到几何：用于连续具身MLLM推理和探索的3D空间记忆

Zhongyi Cai, Yi Du, Chen Wang, Yu Kong

机构 * ACTION Lab, Michigan State University（密歇根州立大学ACTION实验室） ； SAIR Lab, University at Buffalo（布法罗大学SAIR实验室） 纠错

专题命中 视觉推理 ：MLLM(title)；分类 cs.CV

AI总结 本文提出3DSPMR框架，利用视场覆盖作为几何先验，提升具身智能在连续任务中的记忆、推理与探索能力，并引入SEER-Bench基准测试连续具身探索与推理任务。

Comments Computer Vision

VisBrowse-Bench: Benchmarking Visual-Native Search for Multimodal Browsing Agents

VisBrowse-Bench：多模态浏览代理的视觉原生搜索基准测试

Zhengbo Zhang, Jinbo Su, Zhaowen Zhou, Changtao Miao, Yuhan Hong, Qimeng Wu, Yumeng Liu, Feier Wu, Yihe Tian, Yuhao Liang, Zitong Shan, Wanke Xia, Yi-Fan Zhang, Bo Zhang, Zhe Li, Shiming Xiang, Ying Yan

机构 * CASIA ； Ant Digital Technologies Ant Group（蚂蚁集团数字技术部） ； RUC（清华大学） ； FZU（福建师范大学） ； THU（清华大学） ； USTB（北京科技大学） ； PKU（北京大学） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出VisBrowse-Bench，用于评估多模态浏览代理的视觉推理能力，通过文本-图像检索和联合推理进行多模态证据交叉验证，验证了不同模型在搜索过程中的表现。

MSRAMIE: Multimodal Structured Reasoning Agent for Multi-instruction Image Editing

MSRAMIE：多模态结构推理代理用于多指令图像编辑

Zhaoyuan Qiu, Ken Chen, Xiangwei Wang, Yu Xia, Sachith Seneviratne, Saman Halgamuge

机构 * University Of Melbourne（墨尔本大学） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI

AI总结 MSRAMIE基于多模态大语言模型构建无需训练的代理框架，通过结构化多模态推理处理多指令图像编辑任务，提升复杂指令遵循度和完成概率，同时保持图像质量和一致性。

Comments 14 pages, 6 figures, 3 tables, appendix and references provided

Learning Transferable Temporal Primitives for Video Reasoning via Synthetic Videos

通过合成视频学习可迁移的时间原语以实现视频推理

Songtao Jiang, Sibo Song, Chenyi Zhou, Yuan Wang, Ruizhe Chen, Tongkun Guan, Ruilin Luo, Yan Zhang, Zhihang Tang, Yuchong Sun, Hang Zhang, Zhibo Yang, Shuai Bai, Junyang Lin, Zuozhu Liu

机构 * Zhejiang University（浙江大学） ； Qwen Team, Alibaba Group（通义实验室，阿里巴巴集团） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV

AI总结 本文提出SynRL框架，通过合成视频训练模型的时间原语，提升视频推理能力，在15个基准测试中取得显著成效，合成数据在复杂场景中表现优于真实数据。

OpenQlaw: An Agentic AI Assistant for Analysis of 2D Quantum Materials

OpenQlaw: 一种用于二维量子材料分析的代理AI助手

Sankalp Pandey, Xuan-Bac Nguyen, Hoang-Quan Nguyen, Tim Faltermeier, Nicholas Borys, Hugh Churchill, Khoa Luu

机构 * Quantum AI Lab, University of Arkansas, USA（量子人工智能实验室，美国亚拉巴马大学） ； University of Utah, USA（美国犹他大学） ； Department of Physics, University of Arkansas, USA（美国亚拉巴马大学物理系） ； MonARK NSF Quantum Foundry（MonARK NSF 量子熔炉） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 OpenQlaw通过整合NanoBot和QuPAINT，实现二维材料分析中的动态推理与可视化，提升科研人员在高通量器件制造中的效率。

SO-Bench: A Structural Output Evaluation of Multimodal LLMs

SO-Bench：多模态大语言模型的结构输出评估

Di Feng, Kaixin Ma, Feng Nan, Haofeng Chen, Bohan Zhai, David Griffiths, Mingfei Gao, Zhe Gan, Eshan Verma, Yinfei Yang, Zhifeng Chen, Afshin Dehghan

机构 * Apple（苹果公司） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出SO-Bench基准，评估多模态大语言模型在视觉输入下的结构化输出能力，揭示模型在准确性和符合数据模式方面的不足，并通过训练实验提升其结构化输出能力。

Comments v3 preprint. Added the link to the public benchmark

MCoT-MVS: Multi-level Vision Selection by Multi-modal Chain-of-Thought Reasoning for Composed Image Retrieval

MCoT-MVS：基于多模态链式推理的多级视觉选择用于组合图像检索

Xuri Ge, Chunhao Wang, Xindi Wang, Zheyun Qin, Zhumin Chen, Xin Xin

机构 * Shandong University（山东大学） 纠错

专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV

AI总结 本文提出MCoT-MVS方法，通过多模态链式推理提取参考图像的多级视觉特征，结合注意力机制与文本提示，提升组合图像检索的准确性和鲁棒性。

Comments Accepted by The Web Conference 2026 (WWW2026)