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。
CIVIC: 面向高效视觉语言模型的端到端序列紧凑性
机构 * Department of Civil & Environmental Engineering（土木与环境工程系） ； University of Utah（犹他大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract_cn)；grounding(abstract)；分类 cs.AI
AI总结 提出CIVIC框架，通过路径一致的紧凑视觉推理，在视觉编码器、投影层、LLM预填充和KV缓存中保持紧凑序列表示，减少非连续内存访问和局部合并开销，在Qwen3-VL架构上实现KV缓存内存降至约三分之一并降低端到端推理延迟，同时通过文本对齐KL蒸馏和自适应空间保留下限保持精度。
Comments 11 pages, 6 figures, 2 tables, conference
视觉-语言因果推理中的抽象差距
机构 * Department of Electrical and Computer Engineering, University of Nebraska--Lincoln, Lincoln, Nebraska, USA（电气与计算机工程系，内布拉斯加大学林肯分校，内布拉斯加，林肯，美国）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV
AI总结 针对视觉-语言模型（VLM）生成因果解释时语言流畅性与忠实因果推理的混淆问题，提出双探针方法和抽象差距（AG）指标，通过CAGE基准评估发现多数模型存在显著AG，但通过预训练和架构选择可缩小差距。
MACReD：一种用于反应图解解析的多智能体协作推理框架
机构 * University of Science ； Technology of China \& iFLYTEK Co., Ltd. Hefei China ； Technology of China \& iFLYTEK Co., Ltd.
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.AI
AI总结 提出MACReD分层多智能体框架，通过协调分子感知、箭头理解、文本提取和反应重建等专用智能体，在统一VLM引导架构下实现化学图解解析，在RxnScribe基准上达到最优性能。
Comments Preprint. Code is available at https://github.com/TC9905/MACReD
Artemis: 用于感知策略学习的结构化视觉推理
机构 * NJUST IMAG（南京理工大学图像所） ； YZU（宜春大学） ； SUTD IMPL（新加坡科技设计大学智能感知实验室） ； Adelaide AIML（阿德莱德人工智能实验室） ； Data61 ； CSIRO（澳大利亚联邦科学与工业研究组织） ； ZJU（浙江大学） ； UNSW Sydney（新南威尔士大学悉尼分校） ； SenseTime Research（商汤科技研究院）
专题命中 视觉推理 ：visual reasoning(title,abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出Artemis方法，通过结构化视觉推理（中间步骤表示为（标签，边界框）对）替代语言推理，提升视觉感知策略的性能，并统一处理多种感知任务。
SSR3D-LLM: 通过潜在步骤实现结构化空间推理以实现统一3D-LLM中的细粒度定位
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Soochow University（苏州大学）
专题命中 视觉推理 ：grounding(title,abstract)；分类 cs.CV、cs.AI
AI总结 针对统一3D-LLM中细粒度查询的脆弱性，提出SSR3D-LLM，通过潜在空间推理步骤和几何感知评分器逐步精炼候选排名，在多个基准上取得最优结果。
面向多跳音视频推理的主动全模态感知代理
机构 * Shanghai Jiao Tong University（上海交通大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.AI
AI总结 针对多跳音视频推理中证据稀疏且跨模态分布的问题，提出MOV-Bench基准和AOP-Agent代理框架，通过分层全模态记忆与观察-反思-重规划循环实现主动感知，显著提升开源全模态大模型在长视频和推理密集型问题上的性能。
语义增强的潜在视觉推理
机构 * Department of Automation, Tsinghua University, Beijing, China（清华大学自动化系） ； Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系） ； Zhongguancun Academy, Beijing, China（中关村学院） ； China Agricultural University, Beijing, China（中国农业大学） ； Peking University, Beijing, China（北京大学） ； Beijing Institute of Technology, Beijing, China（北京理工大学） ； Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学人工智能学院） ； WeChat Vision, Tencent Inc, Beijing, China（微信视觉，腾讯公司）
专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV
AI总结 提出两阶段学习框架SLVR，通过属性级语义监督和多查询组相对策略优化增强潜在表示的语义丰富性，提升潜在视觉推理的鲁棒性和语义一致性。
VITAL: 视觉-语义双重监督增强可解释的医学多模态大语言模型潜在推理
机构 * Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Tencent（腾讯） ； Ningbo Global Innovation Center, Zhejiang University（宁波全球创新中心，浙江大学） ； Zhejiang Key Laboratory of Digital-Intelligence Service Technology（浙江省数字智能服务技术重点实验室）
专题命中 视觉推理 ：MLLM(summary_cn,abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出VITAL框架，通过视觉-语义双重监督（文本解码器重构推理链、视觉投影器回归ROI特征）实现医学MLLM的可解释潜在推理，在7个基准上达到SOTA。
Mags-RL: 通过智能体强化学习为多模态大语言模型戴上放大镜以进行复杂场景推理
机构 * Arizona State University（亚利桑那州立大学） ； Clemson University（克莱姆森大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Halmstad University（哈姆斯塔德大学） ； Florida State University（佛罗里达州立大学） ； Rice University（里士满大学）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出Mags-RL框架，通过智能体强化学习让多模态大语言模型调用超分辨率代理进行高分辨率细粒度检查，实现两轮推理以提升复杂场景下的视觉推理能力。
DiagramRAG：一个用于科学图表生成的轻量级检索增强框架
机构 * Beijing Institute of Technology（北京理工大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出DiagramRAG框架，通过检索与草图语义和拓扑结构兼容的参考图表，实现草图到科学图表的自动补全与生成。
Comments 23 pages, 9 figures
从语言输入角度重新思考视频-语言模型
机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； University College London（伦敦大学学院） ； Huazhong University of Science and Technology（华中科技大学） ； Wuhan University（武汉大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文从语言输入角度出发，提出一种即插即用的框架，通过生成正负文本、属性文本推理和自加权损失，提升视频-语言模型的性能。
Comments Published in AAAI 2026
EgoBench：面向工具使用智能体的交互式自我中心多模态基准
机构 * Ant Group（蚂蚁集团）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出EgoBench，首个交互式自我中心多模态基准，通过1045个自我中心视频任务和用户-智能体-工具交互环境，联合评估视觉感知、工具增强多跳推理和动态交互能力，揭示当前最先进模型性能上限（平均准确率19.43%）。
Comments 68 pages, 6 figures
VCap: 用于弱到强视觉字幕的超几何奖励
机构 * Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳分校） ； Chinese Academy of Sciences（中国科学院） ； Kuaishou Technology（快手科技）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 提出VCap，一种证人-裁判奖励机制，通过超几何分布级别的精度验证视觉信号中参考字幕与策略生成字幕之间的事实一致性，实现弱到强泛化，在多个图像和视频字幕基准上超越SOTA模型。
Comments 28 pages, 8 figures
Anatomy-Slot: 用于视网膜诊断中同源双侧推理的无监督解剖分解
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Peking University（北京大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出Anatomy-Slot方法，通过无监督解剖瓶颈分解斑块令牌为结构一致的解剖区域槽，并利用双向交叉注意力对齐双眼槽，在ODIR-5K上相比ViT-L基线提升AUC 4.2点，验证了显式结构对应改善诊断的假设。
Comments 15 pages, 3 figures
ECHO: 测试时强化学习的熵-置信度混合优化
机构 * Northeastern University, Shenyang, China（东北大学（沈阳）） ； Shenzhen Campus of Sun Yat-sen University, China（中山大学深圳校区）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 针对测试时强化学习中高熵分支导致rollout崩溃和早期伪标签噪声引发过拟合的问题，提出熵-置信度混合组相对策略优化（ECHO），通过自适应分支控制和置信度剪枝缓解崩溃，并采用置信度自适应裁剪和优势塑造增强训练鲁棒性。
Comments 19 ppages
更高的准确率，更差的推理：医学思维链蒸馏的步骤级审计
机构 * School of Health & Wellbeing, University of Glasgow（健康与福祉学院，格拉斯哥大学） ； Department of Respiratory and Critical Care Medicine, Shanghai Sixth People’s Hospital, Shanghai Jiao Tong University School of Medicine（呼吸与危重医学科，上海第六人民医院，上海交通大学医学院） ； School of Life Science and Technology, University of Electronic Science and Technology of China（生命科学与技术学院，电子科技大学） ； Institute of Health Informatics, University College London（健康信息学研究所，伦敦大学学院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 通过蒸馏大模型思维链训练小模型，发现医学问答中答案准确率提升但推理步骤的事实错误率上升，表明答案质量与推理真实性可能背道而驰。
平滑槽注意力迭代与循环
机构 * Department of Electrical Engineering and Automation, Aalto University, Espoo, Finland（电气工程与自动化系，阿alto大学，埃斯波，芬兰） ； Department of Computer Science, Aalto University, Espoo, Finland（计算机科学系，阿alto大学，埃斯波，芬兰） ； Center for Machine Vision and Signal Analysis, University of Oulu, Oulu, Finland（机器视觉与信号分析中心，奥卢大学，奥卢，芬兰）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 针对槽注意力在图像首帧冷启动查询缺乏样本特异性及视频帧间聚合变换同质化的问题，提出SmoothSA方法，通过预热冷启动查询和差异化迭代次数来平滑迭代与循环，提升目标发现、识别与推理性能。
Comments Accepted to ICML 2026
弥合姿态-语义鸿沟：基于文本的人物异常搜索的级联框架
机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出结构-语义解耦级联（SSDC）框架，通过两阶段检索（结构感知粗检索和多智能体语义验证）平衡效率与语义推理，在PAB基准上达到最优性能。
Comments Accepted to ACL 2026.10 pages, 5 figures
Agent探索性策略优化用于多模态Agent推理
机构 * NVIDIA ； KAIST（韩国科学技术院）
专题命中 视觉推理 ：vision-language model(abstract)
AI总结 针对多模态Agent推理中思考与工具使用的不对称性（Thinking-Acting Gap），提出AXPO算法，通过固定思考前缀并重采样工具调用及其延续，结合基于不确定性的前缀选择，显著提升工具使用率和模型性能。
Comments Project page: https://byungkwanlee.github.io/AXPO-page/
逃离语言先验：通过模态感知策略优化缓解音频推理中的后期模态崩溃
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Tencent Hunyuan（腾讯文言）
专题命中 视觉推理 ：grounding(abstract)
AI总结 针对多模态大语言模型在强化学习后训练中因统一策略梯度忽略模态依赖性而导致的后期模态崩溃问题，提出模态感知策略优化（MAPO）框架，通过模态相关性掩码和辅助注意力损失分支动态聚焦梯度并维持跨模态推理，在复杂音频推理基准上取得新最优结果。
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