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。
SketchVLM：视觉语言模型可以注释图像以解释思路并引导用户
机构 * Auburn University（阿伯拉罕大学） ； Adobe Research（Adobe研究）
专题命中 视觉推理 ：vision language model(title)；vision-language model(abstract)；VLM(abstract_cn)；visual reasoning(abstract)
AI总结 SketchVLM通过生成可编辑的SVG叠加图提升视觉推理和绘图任务的准确性与注释质量，实现高达28.5%的精度提升和1.48倍的注释质量提升。
DRAGON：一个用于基于证据的视觉推理的图示基准
机构 * Arizona State University（亚利桑那州立大学） ； Adobe Research（Adobe研究） ； University of Maryland（马里兰大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 DRAGON基准评估模型在图示中基于证据的视觉推理能力，要求模型定位支持答案的视觉元素，包含图表、地图等，通过标注数据和评估框架检验八种最新视觉语言模型的定位能力。
Comments 22 Pages, 14 Figures
AdaTooler-V：面向图像和视频的自适应工具使用
机构 * MMLab, CUHK（香港中文大学MML实验室） ； THU（清华大学） ； SJTU（上海交通大学） ； DB Group, CUHK（香港中文大学DB小组） ； UCF（佛罗里达大学） ； Sangfor（Sangfor公司） ； JMU（约翰·霍普金斯大学）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文提出AdaTooler-V，通过自适应工具使用提升多模态大语言模型的视觉推理能力，通过强化学习算法和定制数据集优化工具调用策略，实验证明其在多种视觉任务中表现优异。
Comments ACL 2026 Findings, Project page: https://github.com/CYWang735/AdaTooler-V
OneThinker：面向图像和视频的统一推理模型
机构 * MMLab, CUHK（CUHK多媒体实验室） ； Meituan Home（美团家）
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 OneThinker提出一个统一的多模态推理模型，整合图像和视频理解，涵盖问答、描述生成、空间时间定位、跟踪和分割等任务，通过构建大规模训练语料和EMA-GRPO算法提升多任务强化学习效果。
Comments CVPR 2026, Project page: https://github.com/tulerfeng/OneThinker
K-CARE：基于知识的对称上下文锚定与类比原型推理用于电商相关性
专题命中 视觉推理 ：grounding(abstract,abstract_cn)
AI总结 K-CARE通过结合外部知识与类比推理，解决电商搜索中因知识边界缺失导致的相关性问题，显著提升性能。
PaperMind：多模态大语言模型中科学论文代理推理与批判的基准测试
专题命中 视觉推理 ：grounding(abstract,abstract_cn)
AI总结 PaperMind通过整合多模态信息和跨源推理，评估科学论文的综合推理能力，揭示多模态大语言模型在科学推理和批判中的性能差距。
OMHBench: 多模态多跳推理的基准测试
机构 * Hanyang University（翰阳大学） ； NAVER Cloud（NAVER云） ； Knowledge Work Inc.（知识工作公司） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Sony AI（索尼人工智能）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)
AI总结 OMHBench通过平衡的多模态多跳推理评估框架，揭示了多模态大语言模型在多模态接地方面的不均衡性，发现专有模型与开源模型性能差距显著，且对推理路径变化敏感。
Comments ACL 2026 Findings
SARE：基于样本的自适应推理用于无训练细粒度视觉识别
机构 * Zhejiang University（浙江大学） ； Netease Yidun AI Lab（网易云智AI实验室）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 SARE提出一种样本自适应推理框架，通过结合快速候选检索与细粒度推理，利用历史失败经验提升无训练细粒度视觉识别的准确性和效率。
Comments preprint, under review
SIV-Bench：一种用于社会互动理解和推理的视频基准测试
机构 * Peking University（北京大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） ； Tsinghua University（清华大学） ； ShanghaiTech University（上海科技大学）
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SIV-Bench，一个用于评估多模态大语言模型在社会场景理解、社会状态推理和社会动态预测能力的视频基准测试，揭示了现有模型在社会推理方面的不足。
Cutscene Agent：一种用于自动化3D场景生成的LLM代理框架
机构 * Kuaishou GameMind Lab（快手游戏大脑实验室）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI
AI总结 本文提出Cutscene Agent框架，通过双向集成LLM代理与游戏引擎，实现多代理协作生成可编辑的电影化3D内容，并构建了针对长周期多步骤协作的评估基准。
Comments 27 pages excluding appendix
语义拒绝服务在LLM控制的机器人中
机构 * Swarms & AI Lab (SAIL) University of Haifa（群集与人工智能实验室（SAIL）海法大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 本文研究了LLM控制机器人中语义拒绝服务攻击，发现通过注入安全可信的短语可触发安全推理中断，提出防御策略需平衡攻击抑制与真实危险响应，强调系统架构而非提示级别的重要性。
如何通过强化学习解锁几何交错推理中的顿悟时刻
机构 * ByteDance（字节跳动） ； Shenyang Institute of Computing Technology, Chinese Academy of Sciences（沈阳计算技术研究所，中国科学院） ； Westlake University（西交大学） ； University of Chinese Academy of Science（中国科学院大学） ； Key Laboratory of Computing Power Network and Information Security, Ministry of Education（教育部计算能力网络与信息安全重点实验室） ； Shandong Computer Science Center (National Supercomputer Center in Jinan)（山东省计算机科学中心（济南国家超算中心）） ； Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））
专题命中 视觉推理 ：multimodal large language model(abstract)
AI总结 本文探讨了在几何交错推理中，通过强化学习框架Faire克服传统监督微调的局限性，实现更深层次的因果对齐，从而提升推理性能。
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