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。
看得更远，想得更深：通过低级视觉线索和反思提升VLM的推理能力
机构 * Baidu Inc.（百度公司） ； Zhejiang University（浙江大学） ； Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视觉推理 ：VLM(title,title_cn)；grounding(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ForeSight框架，通过低级视觉线索和有效视觉反馈提升VLM推理能力，构建新数据集CG-SalBench，并验证其在参数规模相同和部分指标上优于现有SOTA模型。
Comments CVPR2026
ReVSI：重建视觉空间智能评估以准确评估VLM 3D推理
机构 * Simon Fraser University（西蒙弗雷泽大学） ； University of Waterloo（滑铁卢大学） ； Hong Kong University of Science（香港科学大学） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔人工智能研究所（Amii））
专题命中 视觉推理 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 ReVSI通过改进数据质量和评估可控性，解决现有空间智能评估在VLM 3D推理中的系统性失效问题，提供更可靠的诊断评估。
Comments Project Page: https://3dlg-hcvc.github.io/revsi/
VLM-VPI：一种用于改进自动驾驶车辆-行人交互的视觉语言推理框架
专题命中 视觉推理 ：VLM(title,title_cn)；vision-language model(abstract)
AI总结 本文提出VLM-VPI框架，结合多模态感知、视觉场景理解和意图推理，提升自动驾驶中行人意图识别和安全控制，实验证明其在安全性和效率上的提升。
Comments 40 pages, 7 figures, 10 tables
通过几何参考的3D场景表示提升MLLM空间推理能力
机构 * Zillow Group（智域集团）
专题命中 视觉推理 ：MLLM(title,title_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出几何参考3D场景表示GR3D，使MLLM能利用语言能力处理3D空间，无需额外训练，在空间推理基准中提升GPT-5性能9%和12%。
通过推理分解实现自奖励视觉-语言模型
机构 * Tencent AI Seattle Lab（腾讯AI西雅图实验室） ； University of Maryland（马里兰大学） ； Washington University in St. Louis（圣路易斯华盛顿大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出Vision SR1，通过分解视觉与语言推理，提升视觉推理能力，减少视觉幻觉和语言捷径依赖，效率优于需外部视觉奖励模型的方法。
Comments 16 pages, two figures
视觉漏斗：缓解多模态大语言模型中的上下文盲区
机构 * Department of AI, Chung-Ang University（Chung-Ang 大学人工智能系）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出视觉漏斗方法，通过上下文锚定和熵缩放投资组合缓解多模态大语言模型中的上下文盲区问题，通过动态调整裁剪尺寸和中心点，提升视觉细节与全局上下文的关联性。
Comments Accepted to CVPR 2026(Findings)
PhysNote: 为视觉-语言模型中的可进化物理推理提供自我知识笔记
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Rice University（里奇大学） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.AI
AI总结 本文提出PhysNote框架，通过自我生成的知识笔记提升视觉-语言模型在动态物理推理中的表现，实验显示其在PhysBench上达到56.68%的准确率，优于多智能体基线。
Comments 11 pages. Accepted by ICLR 2026 Workshop ES-Reasoning
SPEAR-1：通过3D理解超越机器人演示
机构 * INSAIT
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.LG
AI总结 本文提出SPEAR-1，通过融合3D感知与语言指导的具身控制，提升机器人基础模型的泛化能力，使用20倍少的机器人演示数据在24个Open X-Embodiment数据集上训练，超越现有最佳模型。
Omni-o3：深度嵌套多模态推理用于 deliberative 音视频推理
机构 * Nankai University（南开大学） ； Pengcheng Laboratory（鹏城实验室） ； Kuaishou Technology（快手科技） ； Nankai International Advanced Research Institute (SHENZHEN·FUTIAN)（南开国际先进研究院（深圳·福田））
专题命中 视觉推理 ：visual reasoning(title)；分类 cs.CV
AI总结 Omni-o3通过深度嵌套推理策略，解决多模态交互中搜索空间大且冗余的问题，提升音视频推理效率与准确性。
Chat-Scene++: 利用语境丰富的物体识别用于3D大语言模型
机构 * School of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 视觉推理 ：grounding(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文提出Chat-Scene++框架，通过将3D场景表示为语境丰富的物体序列，提升细粒度物体定位和上下文推理能力，在五个3D视觉语言基准测试中取得最佳性能。
CrossGuard: 保护大规模多模态语言模型免受联合模态隐式恶意攻击
机构 * Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Department of Computer Science & Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校计算机科学与工程系）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.AI
AI总结 本文提出CrossGuard，一种意图感知的防护系统，通过生成隐式样本和实验验证，有效防御显式和隐式攻击，提升大规模多模态语言模型的安全性与实用性。
Comments Accepted by ACL 2026 main conference
Fine-R1: 通过链式推理使多模态大语言模型在细粒度视觉识别中脱颖而出
机构 * Wangxuan Institute of Computer Technology（王轩计算机技术研究所）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 Fine-R1通过链式推理监督微调和三元组增强策略优化，提升多模态大语言模型在细粒度视觉识别中的表现，仅用4次训练即超越现有模型。
Comments Published as a conference paper at ICLR 2026. The models are available at https://huggingface.co/collections/StevenHH2000/fine-r1
Audio-Omni: 扩展多模态理解到多功能音频生成与编辑
机构 * Hong Kong University of Science and Technology（香港理工大学） ； WeChat Vision, Tencent Inc（微信视觉，腾讯公司） ； Peking University（北京大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 Audio-Omni提出首个端到端框架，统一音频生成与编辑，结合多模态理解能力，通过冻结的多模态大语言模型与可训练的扩散变换器实现高保真合成，并构建大规模数据集提升音频编辑性能。
EmoTrans：一个多模态大语言模型中情感过渡理解、推理和预测的基准测试
机构 * Shenzhen University（深圳大学） ； Guangdong Laboratory of Artificial Intelligence（广东人工智能与数字经济实验室） ； Queen Mary University of London（女王学院伦敦大学） ； Technical University of Munich（慕尼黑技术大学） ； Imperial College London（伦敦帝国学院） ； Tongji University（同济大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 EmoTrans旨在评估多模态视频中情感动态理解能力，包含1000个手工标注的视频片段和3000多个任务特定问题-答案对，通过四个任务形成从粗粒度检测到深度推理的评估框架，发现当前大语言模型在细粒度情感动态建模上仍存在挑战。
探测图像编辑模型中的视觉规划
机构 * Shanghai Jiao Tong University（上海交通大学） ； Renmin University of China（中国人民大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出EAR框架，通过抽象谜题和生成数据集AMAZE，评估图像编辑模型的视觉规划能力，发现模型在零样本设置下表现不佳，但微调后能有效泛化。
Comments Accepted to ES-Reasoning Workshop @ ICLR 2026. Our code is available at https://github.com/spatigen/amaze
K-MetBench：一个多维基准，用于细粒度评估气象学中的专家推理、局部性和多模态能力
机构 * KAIST（韩国科学技术院） ； INEEJI ； Kongju National University（康久国立大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI
AI总结 本文提出K-MetBench，一个基于韩国资格考试的多维基准，揭示了专家推理、逻辑有效性、韩国地理文化理解及领域分析四个维度的差距，发现韩国模型在本地情境中优于大模型。
Comments 39 pages, 32 figures, 14 tables, including appendices. Accepted to Findings of the Association for Computational Linguistics (ACL 2026)
超越注意力稳定性边界：代理自我合成推理协议
机构 * University of Waterloo（滑铁卢大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出SSRP框架，通过分离高层规划与执行流程，解决多轮对话中注意力锁定问题，实验显示其在多任务中显著提升稳定性。
DextER：基于语言的灵巧抓取生成与具身推理
机构 * Pohang University of Science and Technology（釜山科学技术大学） ； RLWRLD
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 DextER通过具身推理生成灵巧抓取，结合任务语义与物理约束，提升抓取成功率与意图对齐度。
Comments CVPR 2026, Project page: https://junha-l.github.io/dexter/
分析：用于稳健和可扩展的LLM驱动分析的软命题推理
机构 * Dartmouth College（达特茅斯学院） ； Allen Institute for AI（人工智能研究院）
专题命中 视觉推理 ：grounding(abstract_cn)；分类 cs.AI
AI总结 本文提出Analytica，一种基于软命题推理的新型代理架构，通过并行分治框架减少误差，提升LLM在金融、科学等领域的预测准确性与稳定性。
Comments ICLR 2026 Camera-ready
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