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。
基于视觉的强化学习用于视觉推理
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文提出ViGoRL，通过强化学习实现视觉推理，通过空间坐标锚定推理步骤，提升视觉定位和搜索性能，优于传统方法。
Comments Project website: https://visually-grounded-rl.github.io/
基于生成式人工智能的RISC-V供应链探索方法
机构 * Chair of Robotics, Artificial Intelligence and Real-Time Systems（机器人、人工智能与实时系统教授会） ； Technical University of Munich（慕尼黑技术大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.AI
AI总结 本文提出利用LLM和VLM的供应链分析流程，结合MDE技术提升对异构数据的分析能力，通过知识图谱揭示供应链组件间的依赖关系，支持供应链韧性评估。
基于属性的选型推理用于艺术品情感理解的多模态大语言模型
机构 * Department of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； Department of Computer Science, National Taiwan University（国立台湾大学计算机科学系）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.CV
AI总结 本文提出基于属性的选型推理方法，通过多模态大语言模型实现艺术品情感理解，通过引入属性瓶颈引导框架提升情感预测精度和解释简洁性。
PanoWorld：迈向360度全景世界的空间超感知
机构 * Zhejiang University（浙江大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Irvine（加州大学伊维特分校） ； The University of Hong Kong（香港大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出PanoWorld，通过构建全景原生理解能力，解决传统多模态大模型在空间感知上的不足，通过全景空间交叉注意力机制提升3D空间推理能力，并建立PanoSpace-Bench基准测试，验证了全景原生监督的有效性。
Comments Project page: https://wcpcp.github.io/PanoWorld
Skyra：通过 grounded artifact reasoning 实现 AI 生成视频检测
机构 * Department of Automation, Tsinghua University（清华大学自动化系）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文提出 Skyra，一种专门用于识别 AI 生成视频中人类可感知的视觉瑕疵的多模态大语言模型，通过这些瑕疵作为基础证据进行检测和解释，同时构建了首个大规模 AI 生成视频瑕疵数据集并提出两阶段训练策略。
Comments Camera Ready Version. Project Page: https://github.com/JoeLeelyf/Skyra
VideoSeeker：通过原生代理工具调用激励实例级视频理解
机构 * University of Science and Technology of China（中国科学技术大学） ； Xiaohongshu Inc.（小红书公司） ； East China Normal University（华东师范大学） ； Xi’an Jiaotong University（西安交通大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 VideoSeeker通过整合代理推理与实例级视频理解任务，提升视频理解精度，实验表明其在实例级任务中比基线模型提升13.7%，超越GPT-4o和Gemini-2.5-Pro。
Comments Project Page: https://gaotiexinqu.github.io/VideoSeeker/
VLMs 跟踪无需跟踪：诊断视觉路径跟随中的失败
机构 * Yonsei University（延世大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究VLMs在视觉路径跟随任务中的表现，发现其在面对局部相似干扰时易切换路径，揭示局部竞争导致的失败原因。
Minerva-Ego：眼动视频理解的空间时间提示
机构 * Google（谷歌） ； DeepMind（深度Mind）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出Minerva-Ego基准，通过多步骤多模态问题和密集标注的时空推理轨迹评估眼动视频理解模型，发现提示'何时何地'显著提升性能。
通过闭环验证推理解锁复杂视觉生成
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出CLVR框架，结合视觉语言逻辑规划与像素级扩散生成，通过自动化数据引擎和PPRL解决多步推理中的优化问题，同时引入DSWM降低推理成本，实验表明其在多个基准上优于开源模型，实现了复杂视觉生成的扩展能力。
我缩小了假设空间（通过逻辑预处理）
机构 * ELLIS Institute（ELLIS研究所） ； University of Helsinki（赫尔辛基大学） ； Czech Academy of Sciences Institute of Computer Science（捷克科学院计算机科学研究所） ； Dynatrace Research（Dynatrace研究）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出通过逻辑预处理缩小假设空间，利用背景知识去除不可能的规则，提升ILP系统的学习效率和预测精度。
Comments Published in JAIR
Journal ref Journal of Artificial Intelligence Research, Vol. 85 (2026)
链式窥视：面向视频理解的搜索引导渐进性对象基础推理
机构 * State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing, China.（网络与交换技术国家重点实验室，北京邮电大学，北京，中国） ； Institute of Big Data, College of Computer Science and Artificial Intelligence, Fudan University, China.（大数据研究院，复旦大学计算机科学与人工智能学院，中国） ； ARC Lab, Tencent PCG, Shenzhen, China.（腾讯PCG深圳实验室，深圳，中国） ； School of Artificial Intelligence, Beijing University of Technology, Beijing, China.（北京理工大学人工智能学院，北京，中国）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出Chain-of-Glimpse框架，通过搜索引导的渐进推理解决视频中对象变化问题，提升多步骤决策的准确性和可解释性。
基于远监督的神经符号对象中心学习
机构 * Department of Computer Science, KU Leuven（计算机科学系，鲁汶大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出DeepObjectLog模型，通过概率神经符号方法实现对象中心学习，无需逐对象标签或掩码，提升对组合、对象计数和规则转移的泛化能力。
视频模型可以借助可验证的奖励进行推理
机构 * University of California, Davis（加州大学戴维斯分校） ； Microsoft Research（微软研究院） ； University of Southern California（南加州大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出VideoRLVR方法，通过规则反馈优化视频扩散模型，提升可验证推理能力，在Maze、FlowFree和Sokoban任务中优于监督微调基线，证明可验证RL能推动视频模型超越感知模仿。
Comments Website: https://darthzhu.github.io/VideoRLVR-page/
Falkor-IRAC：用于印度司法AI的图约束生成：在验证法律推理中的应用
机构 * Independent Researcher（独立研究者）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文提出Falkor-IRAC框架，通过图约束生成解决印度法律AI中的验证法律推理问题，利用IRAC知识图谱进行结构化推理，并通过验证代理检查生成路径的正确性。
Comments 20 pages, 8 figures, 4 tables
SGR：一种用于LLM的分步推理框架，通过外部子图生成
机构 * School of Information Science and Engineering, Chongqing Jiaotong University（重庆交通大学信息科学与工程学院） ； School of Computer Science and Technology, Chongqing University of Posts and Telecommunications（重庆邮电大学计算机科学与技术学院）
专题命中 视觉推理 ：grounding(abstract)
AI总结 SGR通过外部子图生成提升LLM推理能力，利用结构化知识支持多步推理，实验表明在多个基准数据集上均优于基线方法，提高了推理准确性和事实可靠性。
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