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。
当模型学会问为什么：面向可信医疗视觉语言模型的自适应因果推理
机构 * The Ohio State University（俄亥俄州立大学） ； Hunan University（湖南大学） ； Amazon（亚马逊）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(summary_cn,abstract_cn)；grounding(abstract)；分类 cs.AI
AI总结 提出MedCausalX框架，通过因果推理链、自适应反射架构和轨迹级因果校正，解决医疗VLM中的虚假相关和推理不一致问题，显著提升诊断一致性和减少幻觉。
Comments Accepted by CVPR 2026 Findings
为什么远处看起来在上方：探究视觉-语言模型中的空间表征
机构 * Seoul National University（首尔国立大学） ； The Ohio State University（俄亥俄州立大学） ； NVIDIA（英伟达）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 通过最小对比对分析，发现视觉-语言模型存在垂直-距离纠缠（将图像垂直位置与距离混淆），这种透视偏差导致性能差距，并随数据规模扩大而加剧，而具有良好分离空间轴的模型更鲁棒。
视觉语言模型后训练中推理与感知的非对称优化研究
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
专题命中 视觉推理 ：vision-language model(title,abstract)；visual reasoning(abstract)；分类 cs.CV；VLM(comments)
AI总结 通过合成任务诊断发现，后训练中推理提升显著优于感知，SFT源于感知token少导致训练信号弱，RL源于奖励耦合，提出动态重加权损失和感知奖励可缓解不平衡并提升端到端性能。
Comments Project: https://asymmetric-vlm-post-training.github.io/
CrystalXRD-Bench：面向多种晶体材料的XRD峰索引的视觉-语言模型基准测试
机构 * Alibaba Group（阿里巴巴集团）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract_cn)；分类 cs.AI
AI总结 提出CrystalXRD-Bench基准，通过250个样本评估视觉-语言模型从粉末XRD图谱中识别米勒指数（HKL）的能力，发现最佳模型Jaccard得分仅0.5888，任务远未解决。
Comments 18 pages, 10 figures
MuPHI: 通过语义基础奖励优化学习隐式多模态有害推理
机构 * Max Planck Institute for Informatics（马克斯·普朗克院信息研究所） ； Saarland Informatics Campus（萨尔兰州信息校园） ； Saarland University（萨尔兰州大学） ； The University of Edinburgh（爱丁堡大学） ； Samsung AI Center, Cambridge（三星AI中心，剑桥）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI、cs.LG
AI总结 针对视觉语言模型在隐式跨模态有害语义推理上的不足，提出MuPHI数据集和MuPHIRM训练框架，通过多视角奖励优化联合语义学习，提升有害检测与推理质量及分布外鲁棒性。
SVSR：一种用于多模态推理的自我验证与自我修正范式
机构 * South China Agricultural University（华南农业大学） ； University of Glasgow（格拉斯哥大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Monash University（莫纳什大学） ； University of Science and Technology of China（中国科学技术大学） ； National University of Defense Technology（国防科技大学） ； Renmin University of China（中国人民大学） ； South China Normal University（华南师范大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 提出SVSR框架，通过三阶段训练（统一偏好数据集构建、冷启动监督微调、半在线直接偏好优化）将自我验证与自我修正显式集成到多模态推理流程中，提升复杂视觉理解和多模态推理的鲁棒性与可靠性。
直击要点：指向提升LVLMs的计数能力
机构 * Signals and Interactive Systems Lab, University of Trento（信号与交互系统实验室，特伦托大学）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；grounding(abstract)；分类 cs.CV
AI总结 提出Point-then-Count方法，通过生成目标物体坐标进行零样本计数，在多个LVLM上取得最高准确率，并揭示坐标编码的空间信息是性能提升的关键。
训练智能体而非专家：学习利用异构专家进行多轮视觉推理
机构 * Sun Yat-sen University（中山大学） ； HKUST（香港科技大学） ； Harbin Institute of Technology（哈尔滨理工大学）
专题命中 视觉推理 ：visual reasoning(title)；分类 cs.CV
AI总结 提出VisHarness，一种可训练的视觉智能体，通过解耦高层感知推理与低层任务执行，学习利用异构视觉专家模型，以轻量训练实现多轮交互下的通用视觉任务求解。
快门之前：3D场景中美学的且可执行的人像摄影规划
机构 * The Hong Kong Polytechnic University（香港理工大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 提出在3D场景中生成人像姿态、相机、照明和曝光方案的方法，通过构建摄影场景图实现美学引导的规划，生成视觉上引人注目且几何与光度可行的人像。
ROVER: 面向对象中心视觉证据的路由用于基于多图像推理
机构 * Kuaishou Technology（快手科技）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出ROVER，一种轻量级可学习插件，通过对象中心差分注意力聚合上下文、蒸馏图像内线索并路由历史感知证据，实现高效全局视觉证据路由，在多图像推理中提升答案和定位精度。
YoCausal: 视频生成距离世界模型还有多远？一个因果视角
机构 * National Yang Ming Chiao Tung University ； Shanda AI Research Tokyo
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 提出YoCausal基准，通过时间反转真实视频生成反事实样本，利用反向惊奇指数（RSI）和因果认知指数（CCI）评估视频扩散模型的因果理解能力，发现模型感知时间方向不等于理解因果关系，与人类水平存在显著差距。
Comments Project page: https://www.youzhexie.me/papers/YoCausal/index.html
RewardFlow: 面向大语言模型智能体强化学习的拓扑感知状态图奖励传播
机构 * TMLR Group（TMLR小组） ； Hong Kong Baptist University（香港 Baptist大学） ； TCL Corporate Research (HK) Co Ltd（TCL企业研究（香港）有限公司） ； Cooperative Medianet Innovation Center Shanghai Jiao Tong University（合作中位网创新中心上海交通大学） ； Department of Mathematics Hong Kong Baptist University（香港 Baptist大学数学系）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 提出RewardFlow方法，通过构建状态图进行拓扑感知的奖励传播，为智能体推理提供无标注的密集奖励，显著提升强化学习性能。
AgentCVR：通过脚本模拟强化学习的主动多智能体跨视频推理
机构 * Xiaohongshu Inc.（小红书公司） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生学院，清华大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出AgentCVR多智能体框架，将跨视频推理视为主动证据获取任务，通过主智能体协调视觉和音频智能体进行定向证据提取，并引入脚本模拟强化学习优化策略，在跨视频对齐和定位任务上超越单次基线，达到与闭源系统相当的性能。
CogniVerse: 用认知反思与几何推理革新多模态检索增强生成
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）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出CogniVerse框架，通过认知反思模块、基于黎曼流形对齐的多模态检索模块和最优传输层次生成模块，解决多模态检索增强生成中的噪声检索、跨模态语义错位和生成不连贯问题。
Comments Accepted in CVPR 2026
认知支点与视觉锚定：揭示并纠正多模态推理模型中的幻觉
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学 龙城人工智能学院） ； South China Agricultural University（华南农业大学） ； South China Normal University（华南师范大学） ； Monash University（莫纳什大学） ； Jishou University（吉首大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI
AI总结 针对多模态大推理模型在长链推理中易产生幻觉的问题，提出V-STAR训练范式，通过分层视觉注意力奖励和强制反思机制，将视觉锚定引入推理过程以减轻幻觉。
Comments TPAMI under review
面向LLM人格模拟的自适应访谈：基于证据的推理提升决策对齐
机构 * University of Cambridge（剑桥大学） ； Independent Researcher（独立研究员）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 提出自适应访谈框架，通过结构化三阶段对话收集人格相关信息，并基于访谈记录评估LLM在道德困境场景中模拟个体决策的能力，发现基于后续追问的证据推理能显著提升预测准确性。
Comments 20 pages, 2 figures, 12 tables
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