AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
OVOD-Agent：一种用于主动视觉推理和自进化检测的马尔可夫-多臂框架
机构 * Wuhan University（武汉大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出OVOD-Agent框架，通过将文本优化扩展为可解释的视觉CoT，结合弱马尔可夫决策过程和多臂模块，实现主动视觉推理和自进化检测，提升稀有类别检测性能。
森林在树之前：用于高效视觉推理的潜在叠加
机构 * MBZUAI ； Fudan University（复旦大学） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Harvard University（哈佛大学）
专题命中 视觉推理 ：visual reasoning(title)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出Laser方法，通过动态窗口对齐学习实现视觉推理的'森林在树之前'认知层次，提升模型在保持全局特征叠加的同时，实现高效且可解释的视觉推理。
Comments Accepted by ACL 2026 Main Conference
BOP-ASK：面向视觉-语言模型的对象交互推理
机构 * New York University（纽约大学） ； NVIDIA（英伟达）
专题命中 视觉推理 ：vision-language model(title)；vision language model(abstract)；分类 cs.CV
AI总结 本文提出BOP-ASK数据集，用于训练和评估视觉-语言模型的对象交互推理能力，包含15万张图像和3300万对问题答案，涵盖六个任务，验证了模型在复杂环境中的空间推理能力。
Comments Accepted at CVPR 2026. Code, Datasets & Benchmark available at https://bop-ask.github.io/
GeoArena：在大视觉-语言模型中评估开放世界地理推理
机构 * Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； Department of Computer Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 本文提出GeoArena框架，通过人偏好评估动态图像中的地理推理能力，评估17种前沿LVLM，分析模型行为与人类偏好可靠性。
Comments ACL 2026 Main
AVRT：通过单模态教师模型实现音频-视觉推理迁移
机构 * University of Tübingen, Germany（图宾根大学） ； MIT, Cambridge MA, USA（麻省理工学院） ； IBM Research, USA（IBM研究院） ； MIT-IBM Watson AI Lab, USA（麻省理工-IBM沃森人工智能实验室） ； Tuebingen AI Center, Germany（图宾根人工智能中心）
专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV
AI总结 本文提出AVRT框架，通过单模态教师模型生成高质量音频-视觉推理轨迹，并利用LLM合并模型整合轨迹，从而在多模态设置中实现推理迁移，取得音视频和音频任务的最优效果。
OpenVLThinkerV2: 一个多领域视觉任务的通用多模态推理模型
机构 * University of California, Los Angeles (UCLA)（加州大学洛杉矶分校）
专题命中 视觉推理 ：grounding(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出G$^2$RPO训练目标，通过非线性分布匹配解决多视觉任务中的奖励拓扑差异和感知与推理平衡问题，构建了鲁棒的OpenVLThinkerV2模型，在18个基准测试中表现优异。
Comments code at: https://github.com/uclanlp/openvlthinker
ErrorRadar：通过错误检测基准测试多模态大语言模型的复杂数学推理能力
机构 * Squirrel AI ； HKUST(GZ)（香港科技大学(广州)） ； HKUST（香港科技大学） ； MSU（密歇根州立大学） ； UCAS（中国科学技术大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校）
专题命中 视觉推理 ：multimodal large language model(title,abstract)
AI总结 ErrorRadar通过错误检测任务评估多模态大语言模型在复杂数学推理中的能力，包含2500个高质量K-12数学问题，实验显示GPT-4o仍比人类评价差10%。
Comments Accepted by The 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, Findings)
RS-HyRe-R1: 一种混合奖励机制以克服遥感图像理解中的感知惯性
机构 * School of Mechanical and Electrical Engineering, Central South University（中南大学机械与电气工程学院） ； School of Geosciences and Info-Physics, Central South University（中南大学地球科学与信息物理学院）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出RS-HyRe-R1混合奖励机制，旨在克服遥感图像理解中的感知惯性问题，通过引入空间推理激活奖励、感知正确性奖励和视觉-语义路径演化奖励，提升模型的全面视觉证据挖掘能力，实验显示其在多个任务上表现优异。
OASIS：按需分层事件记忆用于流媒体视频推理
机构 * Sun Yat-sen University（中山大学） ； OPPO AI Center（OPPO人工智能中心） ； Shenzhen Loop Area Institute（深圳河套学院） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东大数据分析与处理重点实验室）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 OASIS通过结构化按需检索解决流媒体视频推理中记忆检索的挑战，提升长周期准确性和组合推理能力。
Comments Accepted by CVPR 2026
认知链式推理（CoCoT）：关于社会情境的结构化多模态推理
机构 * Seoul National University（首尔国立大学） ； Human-Computer Interaction Institute, Carnegie Mellon University（人机交互研究所，卡内基梅隆大学） ； Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出CoCoT框架，通过感知、情境推断和规范应用三个阶段提升多模态社会推理能力，在多个任务中取得显著提升。
Comments Under review; 17 pages
EgoEsportsQA：一种用于电子竞技感知与推理的视角视频基准
机构 * Renmin University of China（中国人民大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出EgoEsportsQA基准，通过六阶段流程收集1745对高质量问答对，评估视频大语言模型在虚拟环境中的感知与推理能力，揭示模型在战术推理和微操作方面的不足。
Comments Work in progress
基于推理的无监督文本聚类细化方法
机构 * Department of Computer Science（计算机科学系）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出利用大语言模型作为语义评判者，对无监督聚类结果进行推理细化，通过三个阶段提升聚类的连贯性与可解释性，实验证明其在社交媒体数据中优于传统方法。
Comments Accepted to the Findings of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026). Camera-ready
EasyVideoR1: 更容易的视频理解强化学习
机构 * Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学网络安全学院）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出EasyVideoR1框架，通过高效预处理、统一奖励系统和混合训练策略，提升视频理解任务的训练效率与性能。
具有自然语言描述的专家标注胚胎图像数据集：用于基于证据的患者沟通的体外受精
机构 * Software Competence Center Hagenberg（海因斯贝格软件能力中心） ； Kepler Universitätsklinikum, Kinderwunsch Zentrum（凯普勒大学医院，生育中心） ； Wunschkind Klinik Dr. Brunbauer（布鲁纳auer生育诊所）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一个包含胚胎图像和自然语言描述的专家标注数据集，用于提升体外受精中胚胎选择的可解释性和透明度，支持基于证据的决策和患者沟通。
Comments 7 pages, 3 figures, in submission to Nature Scienfitic Data
XEmbodied：一种具有增强几何和物理线索的大型规模具身环境基础模型
机构 * Tsinghua University（清华大学） ； Automotive and Robotics, Xiaomi Corporation（小鹏汽车与机器人部，小鹏科技） ； National University of Singapore（新加坡国立大学） ； McGill University（麦吉尔大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 XEmbodied通过整合3D几何表示和物理线索，提升视觉-语言-动作模型在大规模具身环境中的空间推理和语义理解能力，其在18个公开基准测试中表现出色。
Comments 15 pages, 5 figures
DIRCR：双推理规则对比推理用于解决RAVENs
机构 * School of Computer Science, University of Nottingham Ningbo China, China（诺丁汉大学宁波校区计算机科学学院） ； Nottingham Ningbo China Beacons of Excellence Research and Innovation Institute, China（诺丁汉宁波中国卓越研究与创新研究所） ； School of Artificial Intelligence, Shenzhen University, China（深圳大学人工智能学院）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI
AI总结 本文提出DIRCR模型，通过双推理推理模块和规则对比学习模块，解决RAVENs中全局与局部关系整合不足的问题，提升推理鲁棒性和泛化能力。
Comments Accepted By ICASSP 2026
SkillGraph: 基于多模态图拓扑的自进化多智能体协作
机构 * National University of Singapore, Singapore（新加坡国立大学） ； Technical University of Munich, Munich, Germany（慕尼黑技术大学） ； Zhejiang University, China（浙江大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 SkillGraph通过联合进化智能体能力与通信拓扑，解决视觉多智能体系统中固定拓扑和静态推理能力的问题，提升协作效率。
SpatialImaginer: 向空间推理的自适应视觉想象迈进
机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； School of Computing and Information Systems, Singapore Management University（新加坡管理大学 computing 与信息学院） ； School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院） ； MiniMax ； Institute of Trustworthy Embodied Al, Fudan University（复旦大学可信具身人工智能研究院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出SpatialImaginer框架，通过结合文本推理与视觉想象，解决多模态大语言模型在空间推理中的鲁棒性问题，实验显示其在复杂空间任务中表现优异。
LLaTiSA：从视觉感知到语义的难度分层时间序列推理
机构 * Alibaba Group（阿里巴巴集团） ； Amap（高德）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 本文提出LLaTiSA，通过四层分类体系提升时间序列推理能力，结合可视化模式与精确校准的数值表格增强视觉语言模型的时序感知，实现跨多样任务和现实场景的鲁棒泛化。
PestVL-Net: 通过细粒度视觉-语言交互实现多模态害虫学习
机构 * Institute of Intelligent Machines, Hefei Institutes of Physical Science, Chinese Academy of Sciences（智能机器研究所，合肥物理科学研究院，中国科学院） ； University of Science and Technology of China（中国科学技术大学） ； Zhongke Hefei Institute of Technology Innovation Engineering（中科合肥技术创新工程研究院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出PestVL-Net框架，结合视觉与语言模型，解决细粒度害虫识别难题，通过RWKV架构和多模态大语言模型实现高效害虫学习。
Comments 10 pages, 7 figures
PLUME：基于潜在推理的通用多模态嵌入
机构 * Southeast University（东南大学） ； 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）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 PLUME通过引入潜在推理框架改进通用多模态嵌入，用连续潜在状态的自回归滚动替代显式推理链，减少推理开销并提升效率，优于传统显式推理方法。
ProfVLM：一种轻量级视频-语言模型用于多视角技能评估
机构 * Free University of Bozen-Bolzano（博洛尼亚-博兹纳自由大学） ； University of Trento（特伦托大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出ProfVLM，一种轻量级视频-语言模型，通过生成式视觉-语言建模实现多视角技能评估，兼具生成自然语言反馈与定量评分，参数更少且训练更快。
Journal ref Computer Vision and Image Understanding, Volume 268, 2026
R3A：强化推理用于用户生成内容平台中的RAG相关性评估
机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（复杂系统认知与决策智能重点实验室，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Xiaohongshu Inc.（小红书公司）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 R3A通过意图推理和证据定位解决UGC平台中相关性评估的挑战，提升模型在稀疏反馈和非对称相关性中的表现。
Comments Accepted by ACL Industry 2026
TemporalVLM：长视频中的时间推理视频大语言模型
机构 * Retrocausal, Inc.（Retrocausal公司）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出TemporalVLM，一种用于长视频时间推理和细粒度理解的视频大语言模型，通过时间感知编码和BiLSTM模块实现全局特征聚合，并引入IndustryASM数据集进行评估。
Comments Accepted to ACL 2026
Q-DeepSight：利用图像激励思考用于图像质量评估与细化
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学） ； Peking University（北京大学） ； Beijing Institute of Technology（北京理工大学）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV
AI总结 本文提出Q-DeepSight框架，通过多模态链式思考与工具增强证据获取，提升图像质量评估与细化的准确性与可靠性。
Omni-R1：迈向多模态推理的统一生成范式
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Singapore Management University（新加坡国立大学） ； Shandong University（山东大学） ； University of Science and Technology of China（中国科学技术大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出Omni-R1，通过生成中间图像统一多模态推理技能，解决单一任务特定推理模式限制的问题，并引入Omni-R1-Zero无需多模态标注实现文本仅推理数据的逐步可视化。
Comments Accepted by ACL2026 Findings
跟随路径：通过知识图谱路径推理提升大语言模型事实性
机构 * University of Copenhagen（哥本哈根大学） ； Aalborg University（奥尔堡大学） ； Pioneer Centre for Artificial Intelligence（先锋人工智能中心）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出fs1方法，通过收集大推理模型的推理轨迹并将其锚定在知识图谱路径上，提升大语言模型的事实性，在六个复杂开放领域问答基准测试中表现优异。
Comments Accepted at ACL Findings 2026
MathFlow: 提升多模态大语言模型在视觉数学问题中的感知流
机构 * Zhejiang University（浙江大学） ； Intelligent Learning（智能学习） ； Tsinghua University（清华大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出MathFlow框架，通过分离感知与推理阶段，提升多模态大语言模型在视觉数学问题中的表现，实验表明其在不同推理模型中均有效。
Comments Accepted by ACL 2026 Main Conference
Audio-DeepThinker：渐进式推理感知强化学习用于音频语言模型中高质量推理链涌现
机构 * Tencent AI Lab（腾讯AI实验室） ； The Hong Kong University of Science（香港科技大学）
专题命中 视觉推理 ：grounding(abstract)
AI总结 本文提出Audio-DeepThinker框架，通过混合奖励和渐进式课程学习提升音频推理质量，实现高质量推理链涌现，取得多项评测冠军。
先思后行：面向图像目标导航的层次推理
机构 * National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, National Engineering Research Center for Visual Information and Applications, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（人机混合增强智能国家实验室、视觉信息与应用国家工程研究中心、人工智能与机器人研究所、西安交通大学） ； University of Macau（澳门大学） ； Xiaomi EV（小米电动车） ； School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学）
专题命中 视觉推理 ：vision-language model(abstract)
AI总结 本文提出HRNav框架，通过分层规划与执行解决图像目标导航问题，利用视觉语言模型生成短期计划并结合在线强化学习策略，引入Wandering Suppression Penalty降低漂移问题，实验验证其有效性。
Comments Accepted by ACL2026 (main conference)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈