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。
VideoLatent: 通过潜在自强制进行视频-语言学习
机构 * The Chinese University of Hong Kong（香港中文大学） ； Weitu AI（微图AI）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出VideoLatent，一种通过潜在自强制训练范式（包括潜在对齐和潜在多样性目标）进行视觉潜在推理的多模态大语言模型，仅依赖标准视频-问答三元组，在14个基准上优于现有模型，并大幅降低训练/推理开销。
HPP：通过解耦感知与推理的分层程序化探测用于长视频理解
机构 * Queen’s University Belfast（贝尔法斯特女王大学） ； AMD（AMD公司） ； Queen Mary University of London（伦敦玛丽女王大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出HPP框架，通过将长视频理解重构为分层视频的迭代程序化探索，解耦语义感知与高阶时序推理，在LongVideoBench等基准上取得显著提升。
Comments Project page: https://awaisrauf.com/HPP
自演化视觉提问器
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Peking University（北京大学） ； Arena ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.LG
AI总结 提出自演化框架，让视觉语言模型作为提问器和过滤器，无需外部监督即可生成更难、更信息丰富、更视觉中心的问题，并保持探索多样性以避免训练崩溃，显著提升自主提问质量和难度边界。
Comments 21 pages, including references and appendix. Project Page is available at https://joliang17.github.io/SelfEvolvingVQG/
通过生产视觉语言模型在视标图表上进行方向读取：跨推理模式、提示和访问方式的受控多模型评估
专题命中 视觉推理 ：vision-language model(title,abstract)
AI总结 研究通过消费者聊天界面评估四个视觉语言模型在视标图表上读取方向的能力，在多种推理模式、提示变体下运行，发现各模型准确率有差异，错误有特定方向，单一准确率掩盖问题，强调应多轴评估视觉语言模型。
Comments 4 figures, 4 supplementary figures
关于视觉推理中的局部性和长度泛化
机构 * Qualcomm AI Research（高通人工智能研究中心）
专题命中 视觉推理 ：visual reasoning(title)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究从视觉状态跟踪和长度泛化角度，探讨局部、顺序视觉模型是否有计算优势。受语言模型启发，研究简单视觉任务中视觉模型行为。发现其会利用全局捷径，基于严格局部感知的策略可缓解此问题，表明局部注意力对稳健组合泛化很关键。
Comments Accepted at ECCV 2026
多模态大语言模型是否需要推理来从语音中分类痴呆症？
专题命中 视觉推理 ：multimodal large language model(title,abstract)
AI总结 本文评估了多模态大语言模型在自动痴呆症分类中的推理能力，发现基于文本理由的策略会导致幻觉和不一致，并提出DeTAiL框架，通过非线性适配器和强化学习利用内部表示，在两个数据集上优于基线方法。
ReShift: 视觉-语言模型上基于“啊哈时刻”驱动的推理级后门攻击
专题命中 视觉推理 ：vision-language model(title)；VLM(abstract_cn)
AI总结 提出ReShift框架，通过“啊哈时刻”驱动推理轨迹重定向，结合PRDC管道和SRJO策略实现隐蔽的后门攻击，理论保证熵反弹与轨迹发散的联系。
Comments ECCV 2026
PIVOTSBench：评估多模态大语言模型中的细粒度人际关系推理
机构 * Sun Yat-sen University（中山大学） ； University of Michigan（密歇根大学） ； Tsinghua University（清华大学）
专题命中 视觉推理 ：multimodal large language model(title,abstract)
AI总结 提出PIVOTS基准，基于Social-IQ 2.0和YouTube数据，评估多模态大语言模型在心理学研究基础上预测双向人际关系维度的能力，并包含辅助任务分析关键视觉线索。
PhysX-CoT：从单张图像生成可用于仿真的3D资产的结构化物理推理
机构 * Space Engineering University（航天工程大学）
专题命中 视觉推理 ：grounding(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 PhysX-CoT将单张图像生成仿真3D资产视为显式结构化物理推理过程，通过分解部件级状态轨迹优化相关指标，在多方面优于基线，生成资产在Unreal Engine 5中表现良好。
追踪、验证与修正：一种用于多模态大语言模型空间推理的无训练框架
机构 * East China Normal University（华东师范大学） ； Zhongguancun Academy（中关村学院） ； Stevens Institute of Technology（史蒂文斯理工学院）
专题命中 视觉推理 ：multimodal large language model(abstract,abstract_cn)；MLLM(abstract)；分类 cs.CV
AI总结 针对多模态大语言模型空间推理的错误传播问题，提出无训练的追踪-验证-修正框架，构建空间证据图并评估证据可靠性，在15种模型-数据集设置下平均准确率达68.94%，优于基线。
Comments 19 pages, 7 figures
PhysAgent：用于可靠远程心率估计的多智能体框架
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 PhysAgent是一种推理时多智能体候选验证框架，以多个基础rPPG估计器输出为待验证生理假设，结合Qwen3-VL-4B多模态大语言模型推理与确定性融合，提升远程心率估计的稳定性与可靠性。
FaithEyes：通过多智能体过程图像验证实现可信的工具使用
机构 * Samsung Research（三星研究院） ； Peking University（北京大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出多智能体框架FaithEyes，通过子智能体判断主智能体的工具调用以提升工具使用可信性，在视觉感知与推理基准上实现了更优准确率。
缓解零样本视频时刻检索中的模态和语言风格差距
机构 * Sungkyunkwan University（成均馆大学）
专题命中 视觉推理 ：vision-language model(abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 研究零样本视频时刻检索中模态和语言风格差距问题，提出基于自相似性的时刻提议和评分方法及查询感知的多模态大语言模型推理阶段，有效缓解差距，在相关基准测试中达最优性能。
Comments ECCV 2026 (* These authors contributed equally.)
认识自我，理解世界：用于基于多模态大语言模型的无人机时空推理的双认知基准测试
机构 * Northwestern Polytechnical University（西北工业大学） ； China University of Petroleum（中国石油大学）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 该研究针对多模态大语言模型在无人机场景双认知能力评估不足的问题，提出UAV-DualCog基准测试，涵盖图像和视频任务，通过自动化管道构建数据，评估发现现有模型存在瓶颈，该基准测试有价值。
Comments 11 pages, 4 figures, 7 tables. Project website: https://uav-dualcog.lozumi.com
MMIR-TCM：面向中医临床决策支持的记忆集成多模态推理与检索
机构 * Institute of Biopharmaceutics and Health Engineering, Tsinghua Shenzhen International Graduate School（清华深圳国际研究生院生物医药与健康工程研究院） ； Chinese Medicine Guangdong Laboratory（广东省中医药实验室） ； Beijing Normal University（北京师范大学） ； First Hospital of Hebei Medical University（河北医科大学第一医院） ； Lishui Hospital of Zhejiang University（浙江大学丽水医院） ； XiaoMing TCM Hospital（小明中医医院）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 提出MMIR-TCM框架，结合多模态大模型、记忆增强分割与检索增强生成，解决中医舌诊中的主观性和语义鸿沟问题，在MedTCM数据集上优于GPT-4o等模型。
群体跟随机器人的自适应陪伴：处理动态变化的群体编队
机构 * National Cheng Kung University（国立成功大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.AI
AI总结 提出基于视觉语言模型的自适应群体陪伴方法，通过语义推理推断同伴位置、维持社交距离并理解群体动态，结合MPPI控制器实现稳定安全跟随，在五个场景中成功率提升15%，碰撞率降低25%。
Comments Accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
PixelEyes: 解耦感知与推理以实现精准视觉证据查找
机构 * Wuhan University（武汉大学） ； UC Merced（加州大学默塞德分校） ； UTS（UTS大学） ； NUS（新加坡国立大学） ； NTU（南洋理工大学） ； CASIA（中国科学院自动化所）
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 针对多轮视觉推理中目标定位失败导致轨迹冗余的问题，提出PixelEyes，通过解耦推理与感知（推理器决定查找目标，专用感知工具定位），引入掩码引导视觉搜索和语义区域广度优先搜索，构建PixelEyes-6K数据集和Pinpoint-Bench基准，显著提升定位准确性。
Comments 22pages, 10 figures
文本到图像模型是归纳主义的火鸡吗？一个用于因果推理的反事实基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision language model(abstract)；分类 cs.CV
AI总结 提出反事实基准CF-World，通过三个递进层级测试T2I模型在违反现实先验规则下的图像生成能力，发现所有模型在反事实设置下性能急剧下降，原因是模型将世界知识与视觉外观编码为紧密耦合的模式。
Comments 10 pages, 7 figures. Project page: https://github.com/jylei16/CF-World.github.io
TaxoMIL：用于层次化全切片图像分析的分层约束学习
机构 * School of Electrical Engineering, Korea University（韩国大学电气工程学院） ； Department of Hospital Pathology, The Catholic University of Korea College of Medicine（韩国天主教大学医学院医院病理学系）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 提出TaxoMIL框架，将WSI诊断重构为多粒度文本生成任务，通过双头Transformer解码器和分类学引导目标，实现层次感知的准确预测。
Comments Accepted at ECCV 2026
HumanMoveVQA：视频多模态大语言模型能否推理视频中的人类运动？
机构 * CVSSP, University of Surrey, Guildford, UK（萨里大学视觉、语音与信号处理中心，英国吉尔福德） ； Tesco, UK（乐购，英国）
专题命中 视觉推理 ：MLLM(summary_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出HumanMoveVQA基准，通过世界坐标系下的3D运动轨迹生成问答对，评估视频MLLM在全局轨迹和方向推理上的能力，发现现有模型存在显著差距。
OmniSpace: 自动驾驶多模态大语言模型的高效几何感知
机构 * University of Arkansas（阿肯色大学） ； Google Research, Google（谷歌研究院） ； University of Liverpool（利物浦大学） ； Max Planck Research School for Intelligent Systems（马克斯·普朗克智能系统研究所）
专题命中 视觉推理 ：MLLM(summary_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出OmniSpace，一种即插即用的几何感知范式，通过相机位姿注入器、多视图极线注意力模块和3D几何蒸馏目标，从纯2D观测中提升MLLM的空间推理能力，在多个自动驾驶基准上超越现有方法。
CVSBench：跨视角空间推理与想象的全面基准
机构 * Faculty of Electronic and Information Engineering, Xi’an Jiaotong University（西安交通大学电子与信息工程学院） ； Ministry of Education Key Laboratory of Intelligent Networks and Network Security（教育部智能网络与网络安全重点实验室）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract_cn)；grounding(abstract)；分类 cs.CV
AI总结 提出CVSBench基准，通过卫星-街景对评估视觉语言模型的跨视角空间推理能力，发现模型在视角剧变下难以保持物体与布局一致性，引入3D场景想象管道可显著提升性能。
推理即交集：视频多模态大语言模型中视觉焦点的一致性帧对齐
机构 * School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Cloud and AI BU, Huawei（华为云与AI业务部） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出无时间标注的过程级奖励框架CF-GRPO，通过视频内在线索构建一致性帧先验，并利用一致性帧奖励优化模型帧使用与先验的对齐，提升视频推理性能。
MODF-SIR：面向社交智能推理的多智能体全模态蒸馏框架
机构 * School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院） ； School of Medical Technology, Beijing Institute of Technology（北京理工大学医学技术学院） ； Cloud and AI BU, Huawei（华为云与AI业务部） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI
AI总结 提出基于轻量级多模态大语言模型的多智能体协作框架，通过知识蒸馏增强训练与推理，结合测试时适应、长尾事件提取和链式思维提示，在多个基准上取得最优结果。
稳定基于策略的蒸馏用于多模态大语言模型推理的全局归一化
机构 * OPPO AI Center（OPPO AI中心）
专题命中 视觉推理 ：MLLM(title)；分类 cs.CV、cs.LG
AI总结 针对策略蒸馏中异常状态导致梯度不稳定的问题，提出全局归一化蒸馏策略优化（GNDPO），通过将KL分数转化为批次级相对优势来稳定优化，提升多模态推理任务的训练鲁棒性和性能。
放大并不意味着具有预测性：思考模型中的推理行为
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 该研究揭示思考模型存在“放大-提升差距”，即面向推理的训练放大了与正确性关联弱的推理行为，却未放大高提升值的关键行为，推动了过程级推理目标的研究。
Comments Published in COLM 2026
WorldScape Policy 2.0：通过推理增强记忆实现可控的世界行动建模
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；grounding(abstract)
AI总结 研究针对现有世界行动模型的局限，提出WorldScape Policy 2.0，用推理增强记忆，构建相关数据集，实现从高级指令自主规划及基于细粒度文本等的可控执行，在模拟和现实平台实验中展现出在多方面的卓越能力。
思考、规划、绘制：统一模型中用于可控图像生成的布局感知推理
机构 * Tencent（腾讯） ； Peking University（北京大学）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究针对统一多模态大语言模型在可控图像生成中难以遵循复杂空间指令的问题，提出ATLAS框架，采用“思考、规划、绘制”范式及布局共享表示，经强化学习提升性能，在图像生成等任务中效果显著，还支持相关编辑与多模态基础，并引入评估基准。
Comments 22 pages, 12 figures, 9 tables
主动观察者的测试
机构 * University of Southern California（南加州大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究多模态大语言模型是否具备主动观察能力，引入ActiveVision基准测试，发现前沿模型表现不佳，即便能编写视觉代码差距仍存，表明当前模型缺乏主动视觉观察，呼吁构建闭合感知 - 推理循环的架构和训练目标。
Comments 17 pages, 8 figures, 4 tables. Project page: https://activevision.dev
面向机器人血管内导丝导航的视觉-语言程序化推理与上下文感知奖励建模
机构 * Department of Control Science and Engineering, College of Electronic and Information Engineering, and Shanghai Institute of Intelligent Science and Technology, Tongji University（同济大学电子与信息工程学院控制科学与工程系，以及上海智能科学与技术研究院） ； Department of Electronic Engineering, Faculty of Engineering, The Chinese University of Hong Kong（香港中文大学工程学院电子工程系） ； Shanghai Operation Robot Co., Ltd.（上海微创医疗机器人（集团）股份有限公司）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)
AI总结 提出视觉-语言程序化推理框架，利用多模态大模型实时理解视觉上下文，动态调整奖励权重，实现单策略适应复杂血管导航任务，提升可靠性与效率。
Comments This paper has been accepted by IEEE/RSJ IROS 2026. 7 pages, 4 figures, 2 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