视觉大模型 / VLM

Learning Robust Visual Features in Computed Tomography Enables Efficient Transfer Learning for Clinical Tasks

在计算机断层扫描中学习鲁棒的视觉特征以实现临床任务的高效迁移学习

Rubén Moreno-Aguado, Alba Magallón, Victor Moreno, Yingying Fang, Guang Yang

机构 * Bioengineering Department and Imperial-X, Imperial College London（帝国理工学院生物工程系与Imperial-X） ； Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系） ； Oncology Data Analytics Program, Catalan Institute of Oncology（加泰罗尼亚肿瘤研究所肿瘤数据分析项目） ； Colorectal Cancer Group, ONCOBELL Program, Institut d’Investigació Biomèdica de Bellvitge（贝尔维特奇生物医学研究所ONCOBELL项目结直肠癌研究组） ； Consortium for Biomedical Research in Epidemiology and Public Health（流行病学与公共卫生生物医学研究联盟） ； Department of Clinical Sciences, Faculty of Medicine and Health Sciences, Universitat de Barcelona（巴塞罗那大学医学与健康科学学院临床科学系） ； Institute of Complex Systems, University of Barcelona（巴塞罗那大学复杂系统研究所） ； National Heart and Lung Institute, Imperial College London（帝国理工学院国家心肺研究所） ； Cardiovascular Research Centre, Royal Brompton Hospital（皇家布朗普顿医院心血管研究中心） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（伦敦国王学院生物医学工程与影像科学学院） 纠错

专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出VoxelFM，一种基于自蒸馏的3D CT基础模型，通过学习语义丰富的特征，实现了在多种临床任务中无需微调即可高效迁移。

GROUNDEDKG-RAG: Grounded Knowledge Graph Index for Long-document Question Answering

基于源文档的知识图谱-RAG：用于长文档问答的 grounded 知识图谱

Tianyi Zhang, Andreas Marfurt

机构 * getAbstract ； Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学） 纠错

专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI

AI总结 本文提出 groundedkg-rag，通过从源文档中显式提取并 grounding 知识图谱，提升长文档问答的效率和事实准确性，实验表明其在成本较低的情况下性能优于现有基线。

Comments To appear in the Proceedings of KG-LLM @ LREC 2026

TABQAWORLD: Optimizing Multimodal Reasoning for Multi-Turn Table Question Answering

TABQAWORLD: 优化多模态推理以实现多轮表格问答

Tung Sum Thomas Kwok, Xinyu Wang, Xiaofeng Lin, Peng Lu, Chunhe Wang, Changlun Li, Hanwei Wu, Nan Tang, Elisa Kreiss, Guang Cheng

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； SimpleWay 纠错

专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI

AI总结 TABQAWORLD通过联合优化表格表示与估计，提升多轮表格问答的可靠性与效率，实现4.87%的准确率提升和33.35%的推理延迟降低。

More than the Sum: Panorama-Language Models for Adverse Omni-Scenes

全景语言模型：超越拼接的全景场景理解

Weijia Fan, Ruiping Liu, Jiale Wei, Yufan Chen, Junwei Zheng, Zichao Zeng, Jiaming Zhang, Qiufu Li, Linlin Shen, Rainer Stiefelhagen

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Hunan University（湖南大学） ； Shenzhen University（深圳大学） ； UCL（伦敦大学学院） 纠错

专题命中 视觉问答 ：vision-language model(abstract)；分类 cs.CV

AI总结 本文提出全景语言模型PLM，通过全景图像实现超越单目视角的综合推理，同时构建包含恶劣全景场景的PanoVQA数据集，开发可插拔的稀疏注意力模块以提升模型处理全景图像的能力。

Comments Accepted by CVPR 2026. Project page: https://github.com/InSAI-Lab/PanoVQA

Perceptual Gaps: ASCII Art and Overlapping Audio as CAPTCHA

感知缺口：ASCII艺术与重叠音频作为CAPTCHA

Choon-Hou Rafael Chong

专题命中 视觉问答 ：multimodal large language model(abstract)

AI总结 本文探讨了利用人类高度专业化神经处理的CAPTCHA任务，提出基于ASCII艺术和重叠音频的两种CAPTCHA类型，测试结果显示现有LLM无法有效解决，表明其在当前有效但可能面临AI发展挑战。

Comments 8 pages, 3 figures. Research paper proposing novel CAPTCHA methods using ASCII art and overlapping audio

See it to Place it: Evolving Macro Placements with Vision-Language Models

看清它，放置它：利用视觉-语言模型进行宏放置

Ikechukwu Uchendu, Swati Goel, Karly Hou, Ebrahim Songhori, Kuang-Huei Lee, Joe Wenjie Jiang, Vijay Janapa Reddi, Vincent Zhuang

机构 * Harvard University（哈佛大学） ； Kempner Institute for the Study of Natural and Artificial Intelligence（肯普纳自然与人工智能研究所） ； Google DeepMind（谷歌DeepMind） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；visual reasoning(abstract)；分类 cs.LG

AI总结 本文提出利用视觉-语言模型进行芯片布局中的宏放置优化，通过进化搜索策略提升放置质量，在9/10基准上优于现有方法，且能泛化至分析型布局器。

Comments 31 pages, 12 figures, 14 tables

When Does Multimodal AI Help? Diagnostic Complementarity of Vision-Language Models and CNNs for Spectrum Management in Satellite-Terrestrial Networks

何时多模态AI有所帮助？视觉-语言模型与CNN在卫星-地面网络中的频谱管理中的诊断互补性

Yuanhang Li

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

AI总结 本文研究了视觉-语言模型与CNN在频谱管理中的互补性，提出SpectrumQA基准测试，并发现CNN在空间定位任务中表现优异，而VLM在语义推理任务中具有独特优势，通过任务类型路由器可提升整体性能。

Comments 10 pages, 4 figures

VERDI: VLM-Embedded Reasoning for Autonomous Driving

VERDI：嵌入视觉语言模型的自动驾驶推理

Bowen Feng, Zhiting Mei, Julian Ost, Filippo Ghilotti, Baiang Li, Roger Girgis, Anirudha Majumdar, Felix Heide

机构 * Princeton University（普林斯顿大学） ； Torc Robotics 纠错

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

AI总结 VERDI通过在训练时整合视觉语言模型的推理过程和常识知识，提升自动驾驶系统的决策能力，实现更高效的模块化架构，同时保持快速推理速度。

GENFIG1: Visual Summaries of Scholarly Work as a Challenge for Vision-Language Models

GENFIG1：学术工作的视觉摘要对视觉-语言模型的挑战

Yaohan Guan, Pristina Wang, Najim Dehak, Alan Yuille, Jieneng Chen, Daniel Khashabi

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 GENFIG1基准测试要求视觉-语言模型生成能清晰表达论文核心思想的图表，强调科学理解与视觉合成的结合，揭示生成高质量学术图表的难度。

ArchMap: Arch-Flattening and Knowledge-Guided Vision Language Model for Tooth Counting and Structured Dental Understanding

ArchMap：用于牙齿计数和结构牙科理解的拱形扁平化和知识引导的视觉语言模型

Bohan Zhang, Yiyi Miao, Taoyu Wu, Tong Chen, Ji Jiang, Zhuoxiao Li, Zhe Tang, Limin Yu, Jionglong Su

机构 * Xi'an Jiaotong-Liverpool University（西交利物浦大学） ； University of Liverpool（利物浦大学） ； Zhejiang University of Technology（浙江工业大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 本文提出ArchMap，一种无需训练的知识引导框架，通过几何归一化和本体引导的多模态推理，提升3D口腔扫描的结构化分析能力，实现牙齿计数、解剖分区、牙列阶段分类及临床状况识别。

Journal ref In Proceedings of the 2025 IEEE International Conference on Big Data (BigData), pp. 7529-7538, 2025

Automated Wildfire Damage Assessment from Multi view Ground level Imagery Via Vision Language Models

基于多视角地面影像的自动化火灾损害评估：通过视觉语言模型

Miguel Esparza, Archit Gupta, Kai Yin, Yiming Xiao, Ali Mostafavi

机构 * Department of Computer Science and Engineering, Texas A&M University（德州农工大学计算机科学与工程系） 纠错

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

AI总结 本文提出利用预训练多模态大语言模型进行火灾损害评估，通过对比实验验证多视角分析的有效性，展示了零样本方法在快速准确评估中的应用。

Embodied-R1: Reinforced Embodied Reasoning for General Robotic Manipulation

Embodied-R1：强化的具身推理用于通用机器人操作

Yifu Yuan, Haiqin Cui, Yaoting Huang, Yibin Chen, Fei Ni, Zibin Dong, Pengyi Li, Yan Zheng, Hongyao Tang, Jianye Hao

机构 * College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部） 纠错

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

AI总结 本文提出Embodied-R1，通过引入指向作为统一的中间表示，结合强化微调方法，实现通用机器人操作中的具身推理，展示了在多个基准测试中的卓越性能和零样本泛化能力。

Comments Embodied-R1 technical report v2; Published as a conference paper at ICLR 2026

Steerable Vision-Language-Action Policies for Embodied Reasoning and Hierarchical Control

可调节的视觉-语言-动作策略用于具身推理和分层控制

William Chen, Jagdeep Singh Bhatia, Catherine Glossop, Nikhil Mathihalli, Ria Doshi, Andy Tang, Danny Driess, Karl Pertsch, Sergey Levine

专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)；grounding(abstract)

AI总结 本文提出可调节策略，通过训练在丰富合成命令上的视觉-语言-动作模型，提升低层可控性，解锁预训练VLM知识，改进任务泛化能力。

SPHINX: A Synthetic Environment for Visual Perception and Reasoning

SPHINX：一个用于视觉感知与推理的合成环境

Md Tanvirul Alam, Saksham Aggarwal, Justin Yang Chae, Nidhi Rastogi

机构 * Rochester Institute of Technology（罗彻斯特理工学院） ； University of Washington（华盛顿大学） 纠错

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

AI总结 SPHINX通过生成具有可验证解的谜题，评估视觉感知与推理能力，发现大模型表现不足，RLVR方法显著提升性能。

A Systematic Study of Cross-Modal Typographic Attacks on Audio-Visual Reasoning

多模态字体攻击在音频视觉推理中的系统研究

Tianle Chen, Deepti Ghadiyaram

机构 * Boston University（波士顿大学） 纠错

专题命中 视觉推理 ：visual reasoning(title)；分类 cs.CV

AI总结 本文研究多模态字体攻击对多模态大语言模型的影响，发现跨模态攻击比单模态攻击更有效，揭示了多模态推理中的关键安全漏洞。

Vision-as-Inverse-Graphics Agent via Interleaved Multimodal Reasoning

通过交错多模态推理的视觉-反图形代理

Shaofeng Yin, Jiaxin Ge, Zora Zhiruo Wang, Chenyang Wang, Xiuyu Li, Michael J. Black, Trevor Darrell, Angjoo Kanazawa, Haiwen Feng

机构 * University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Impossible, Inc.（Impossible公司） 纠错

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

AI总结 本文提出VIGA框架，通过符号逻辑与视觉感知的交叉验证，解决视觉语言模型在单次设置中重建图像的挑战，支持2D文档生成、3D重建等任务。

Comments Project page: https://fugtemypt123.github.io/VIGA-website/

Visual Prompt Based Reasoning for Offroad Mapping using Multimodal LLMs

基于视觉提示的越野制图推理使用多模态大语言模型

Abdelmoamen Nasser, Yousef Baba'a, Murad Mebrahtu, Nadya Abdel Madjid, Jorge Dias, Majid Khonji

机构 * Khalifa University（哈利法大学） 纠错

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

AI总结 本文提出一种零样本方法，利用SAM2进行环境分割和多模态大语言模型（VLM）进行可行驶区域推理，通过整合分割图像和原始图像实现越野制图推理，无需专门地形模型。

TableVision: A Large-Scale Benchmark for Spatially Grounded Reasoning over Complex Hierarchical Tables

TableVision：一种大规模基准，用于复杂分层表格上的空间感知推理

Xiaoyu Chen, Lu Dai, Hanqing Wang, Zhuoyu Li, Wenbin Dai, Yanzong Zheng, Zhenggang Xia, Junyong Lin, Hui Xiong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出TableVision基准，通过量化分析发现复杂表格推理中的感知瓶颈，引入轨迹感知的分层任务分类，结合确定性接地流程生成6799条高保真推理轨迹，提升多模态大语言模型的空间推理能力。

Mixture-of-Retrieval Experts for Reasoning-Guided Multimodal Knowledge Exploitation

基于推理引导的多模态知识利用的检索专家混合

Chunyi Peng, Zhipeng Xu, Zhenghao Liu, Yishan Li, Yukun Yan, Shuo Wang, Yu Gu, Minghe Yu, Ge Yu, Maosong Sun

机构 * Northeastern University（东北大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出MoRE框架，通过动态选择检索专家提升多模态大语言模型的知识利用效率，实验表明在开放领域问答基准上性能提升超过7%。

Benchmarking and Evaluating VLMs for Software Architecture Diagram Understanding

对软件架构图理解的VLMs基准测试与评估

Shuyin Ouyang, Jie M. Zhang, Jingzhi Gong, Gunel Jahangirova, Mohammad Reza Mousavi, Jack Johns, Beum Seuk Lee, Adam Ziolkowski, Botond Virginas, Joost Noppen

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

AI总结 本文提出SADU基准，评估VLMs在理解软件架构图作为结构化软件工程制品上的能力，揭示当前模型在图表推理和视觉关系定位方面的不足。

SASAV: Self-Directed Agent for Scientific Analysis and Visualization

SASAV：面向科学分析和可视化的自主代理

Jianxin Sun, David Lenz, Tom Peterka, Hongfeng Yu

专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)

AI总结 本文提出SASAV，首个无需外部提示或人类在环反馈的自主AI代理，可自动执行科学数据分析并生成有洞察力的可视化，推动AI for Science加速大规模科学发现。

Beyond Static Vision: Scene Dynamic Field Unlocks Intuitive Physics Understanding in Multi-modal Large Language Models

超越静态视觉：场景动态场解锁多模态大语言模型中的直观物理理解

Nanxi Li, Xiang Wang, Yuanjie Chen, Haode Zhang, Hong Li, Yong-Lu Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； Tianjin University（天津大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 研究探讨多模态大语言模型在物理理解上的不足，提出Scene Dynamic Field方法提升对连续物体动态的理解能力，实现20.7%的改进并展现良好的泛化能力。

Common Inpainted Objects In-N-Out of Context

常见补全物体在上下文中的内-外场景

Tianze Yang, Tyson Jordan, Ruitong Sun, Ninghao Liu, Jin Sun

机构 * University of Georgia（佐治亚大学） 纠错

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

AI总结 COinCO数据集通过扩散补全技术生成97722张包含上下文一致和不一致场景的图像，用于研究上下文学习，支持细粒度上下文推理、基于上下文的物体预测和增强的假检测。

Comments The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026

From Seeing to Doing: Bridging Reasoning and Decision for Robotic Manipulation

从感知到行动：弥合推理与决策以实现机器人操作

Yifu Yuan, Haiqin Cui, Yibin Chen, Zibin Dong, Fei Ni, Longxin Kou, Jinyi Liu, Pengyi Li, Yan Zheng, Jianye Hao

机构 * Tianjin University（天津大学） 纠错

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

AI总结 本文提出FSD模型，通过空间关系推理生成中间表示，提升机器人操作的泛化能力，在8个基准测试中表现优异，且在零样本任务中实现显著性能提升。

Comments Published as a conference paper at ICLR 2026. Our project homepage: https://embodied-fsd.github.io/

Rethinking Model Efficiency: Multi-Agent Inference with Large Models

重新思考模型效率：基于大模型的多智能体推断

Sixun Dong, Juhua Hu, Steven Li, Wei Wen, Qi Qian

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

AI总结 本文通过分析不同视觉-语言模型的延迟，发现大模型通过减少输出token数量可提升效率，并提出多智能体推断框架以复用小模型的推理token，从而接近大模型性能。

Strengthening Human-Centric Chain-of-Thought Reasoning Integrity in LLMs via a Structured Prompt Framework

通过结构化提示框架强化LLMs中以人为中心的链式推理完整性

Jiling Zhou, Aisvarya Adeseye, Seppo Virtanen, Antti Hakkala, Jouni Isoaho

机构 * Department of Computing, University of Turku（图尔库大学计算机系） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI

AI总结 本文提出结构化提示框架以提升LLMs链式推理的可靠性及安全威胁检测能力，通过16个核心维度因素优化推理过程，实验证明在DDoS攻击检测中推理能力提升达40%，并获得高人评一致性。

Comments This paper has been accepted at the 12th Intelligent Systems Conference (IntelliSys 2026)

Saliency-R1: Enforcing Interpretable and Faithful Vision-language Reasoning via Saliency-map Alignment Reward

Saliency-R1: 通过显著图对齐奖励增强可解释性和忠实的视觉-语言推理

Shizhan Gong, Minda Hu, Qiyuan Zhang, Chen Ma, Qi Dou

机构 * The Chinese University of Hong Kong（香港中文大学） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 Saliency-R1通过显著图对齐奖励提升视觉-语言模型的推理可解释性和忠实性，利用显著图技术高效突出关键图像区域，结合GRPO优化策略增强模型对相关区域的关注，实验显示提升推理忠实性和任务性能。

Comments CVPR 2026

Don't Blink: Evidence Collapse during Multimodal Reasoning

不要眨眼：多模态推理中的证据崩溃

Suresh Raghu, Satwik Pandey

机构 * Independent Researcher, New Delhi, India（独立研究者，印度新德里） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI

AI总结 研究发现多模态推理过程中证据逐渐消失的现象，提出通过视觉-熵交互模型降低风险，提升模型在分布偏移下的安全性。

Comments 8 pages, 6 figures, 1 table, plus appendix. Submitted to UAI 2026

SCP: Spatial Causal Prediction in Video

SCP：视频中的空间因果预测

Yanguang Zhao, Jie Yang, Shengqiong Wu, Shutong Hu, Hongbo Qiu, Yu Wang, Guijia Zhang, Tan Kai Ze, Hao Fei, Chia-Wen Lin, Mong-Li Lee, Wynne Hsu

机构 * National University of Singapore（新加坡国立大学） ； Shenzhen University（深圳大学） ； Sichuan University（四川大学） ； National Tsing Hua University（国立清华大学） 纠错

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

AI总结 本文提出SCP任务，挑战模型超越观察预测空间因果结果，并构建SCP-Bench基准测试，揭示人类与模型性能差距及因果推理局限。

Comments 30 pages, 21 figures, 17 tables, CVPR findings

Chain-of-Frames: Advancing Video Understanding in Multimodal LLMs via Frame-Aware Reasoning

链式帧：通过帧感知推理推进多模态大语言模型的视频理解

Sara Ghazanfari, Francesco Croce, Nicolas Flammarion, Prashanth Krishnamurthy, Farshad Khorrami, Siddharth Garg

机构 * New York University（纽约大学） ； EPFL（瑞士联邦理工学院洛桑分校） 纠错

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

AI总结 本文提出一种单阶段视频LLM，通过显式引用相关帧减少推理中的时间不一致性，利用COF-DATA数据集提升视频理解性能，发现合成数据显著提升模型准确率。

Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026