视觉大模型 / VLM

OmniSch: A Multimodal PCB Schematic Benchmark For Structured Diagram Visual Reasoning

OmniSch：面向结构化图表视觉推理的多模态PCB原理图基准

Taiting Lu, Kaiyuan Lin, Yuxin Tian, Mingjia Wang, Yubo Wang, Muchuan Wang, Sharique Khatri, Akshit Kartik, Yixi Wang, Amey Santosh Rane, Yida Wang, Sung-Liang Chen, Yifan Yang, Yi-Chao Chen, Yincheng Jin, Mahanth Gowda

机构 * Pennsylvania State University, USA（宾夕法尼亚州立大学） ； Independent Researcher（独立研究者） ； Binghamton University, USA（布ingham顿大学） ； Shanghai Jiao Tong University, China（上海交通大学） ； Microsoft Research（微软研究院） 纠错

专题命中 视觉推理 ：visual reasoning(title)；grounding(abstract)；分类 cs.CV

AI总结 提出首个多模态PCB原理图理解基准OmniSch，包含四项任务评估大模型在视觉定位、图推理和几何推理上的能力，揭示现有模型在工程图表理解上的显著差距。

Topology-Aware Layer Pruning for Large Vision-Language Models

面向拓扑的层剪枝用于大型视觉-语言模型

Pengcheng Zheng, Chaoning Zhang, Ya Wen, Wang Liu, Qigan Sun, Jiarong Mo, Jiaquan Zhang, Jewon Lee, Tae-Ho Kim, Kuien Liu, Tianyu Li, Caiyan Qin, Yang Yang

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 本文提出了一种面向拓扑的层剪枝框架，用于大型视觉-语言模型，通过利用拓扑持续同调量化层间拓扑一致性，实现自适应剪枝以保留关键表示转换。

Comments This manuscript has been withdrawn by the authors. It reproduced the methodology of Gardinazzi et al., arXiv:2410.11042, without citation, and utilized code and data from the associated repository (github.com/RitAreaSciencePark/ZigZagLLMs) without disclosure or violate the MIT License. A revised future version with full attribution may be prepared. For any feedback, please contact Pengcheng Zheng

Latent Implicit Visual Reasoning

潜在隐式视觉推理

Kelvin Li, Chuyi Shang, Leonid Karlinsky, Rogerio Feris, Trevor Darrell, Roei Herzig

机构 * University of California, Berkeley（加州大学伯克利分校） ； Xero ； MIT-IBM Watson AI Lab（麻省理工-IBM Watson人工智能实验室） 纠错

专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV

AI总结 本文提出了一种任务无关的机制，训练大规模多模态模型（LMMs）在无需显式中间监督的情况下发现和使用潜在视觉推理标记，从而在多种视觉中心任务中优于直接监督微调，并在不使用辅助图像、边界框、图像裁剪、深度图或思维链注释的情况下，与或优于先前基于文本和显式视觉中间推理方法相媲美。

Mechanistic Diagnostics of Spatial Lexical Bias in Multimodal Large Language Model Spatial Reasoning

多模态大语言模型空间推理中空间词汇偏差的机制诊断

Chuang Ma, Qianying Liu, Tomoyuki Obuchi, Fei Cheng, Wang Yang, Sudong Cai, Shuyuan Zheng, Akiko Aizawa, Sadao Kurohashi

机构 * Kyoto University（京都大学） ； NII LLMC（日本国立信息与通信技术研究所语言模型中心） ； RIKEN AIP（日本理化学研究所先进理工研究所） ； Case Western Reserve University（凯斯西储大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Osaka（大阪大学） ； University of Tokyo（东京大学） 纠错

专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.CV

AI总结 本文发现多模态大语言模型存在空间词汇偏差，即添加空间关系词会吸引模型选择该选项，并通过机制可解释性工具揭示偏差主要源于语言侧而非视觉侧，最后提出轻量级LLM-only DPO更新可有效缓解偏差。

TRON: Targeted Rule-Verifiable Online Environments for Visual Reasoning RL

TRON：面向视觉推理强化学习的目标化规则可验证在线环境

Tianze Yang, Yucheng Shi, Ruitong Sun, Jingyuan Huang, Ninghao Liu, Jin Sun

机构 * University of Georgia（佐治亚大学） 纠错

专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.AI

AI总结 提出TRON在线环境框架，通过可控生成-验证程序产生无限训练实例，支持视觉推理强化学习，在多个多模态基准上提升性能。

Comments 27 pages, 8 figures

VRPRM: Process Reward Modeling via Visual Reasoning

VRPRM: 通过视觉推理的过程奖励建模

Xinquan Chen, Chongying Yue, Bangwei Liu, Xuhong Wang, Yingchun Wang, Chaochao Lu

机构 * PJ Lab（PJ实验室） 纠错

专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.LG

AI总结 提出VRPRM，一种结合视觉推理的过程奖励模型，通过两阶段训练策略（少量CoT-PRM SFT数据+大量非CoT-PRM RL数据）以较低成本实现高质量推理，性能提升达118%。

Comments 20 pages, 11 figures

ReGuLaR: Relation-Grounded Latent Reasoning for Large Vision-Language Models

ReGuLaR：面向大型视觉语言模型的基于关系的潜在推理

Zihu Wang, Karthik Somayaji N. S, Peng Li

机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 提出ReGuLaR框架，通过训练时的ReGFormer将潜在推理显式地锚定在视觉证据中的对象和关系上，在多种基准上取得最优性能。

3ViewSense: Spatial and Mental Perspective Reasoning from Orthographic Views in Vision-Language Models

3ViewSense: 视觉-语言模型中基于正交视图的空间与心理视角推理

Shaoxiong Zhan, Yanlin Lai, Zheng Liu, Hai Lin, Shen Li, Xiaodong Cai, Zijian Lin, Wen Huang, Hai-Tao Zheng

机构 * Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院） ； School of Software Engineering, Chongqing University, Chongqing, China（重庆大学软件学院） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 提出3ViewSense框架，通过正交视图的“模拟-推理”机制解决视觉-语言模型在空间推理中的视角一致性问题，显著提升遮挡计数和空间推理性能。

Comments Accepted to ICML 2026

Agentic Active Omni-Modal Perception for Multi-Hop Audio-Visual Reasoning

面向多跳音视频推理的主动全模态感知代理

Ke Xu, Yuhao Wang, Ziyang Cheng, Hongcheng Liu, Yanfeng Wang, Yu Wang

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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。

Semantic-Enriched Latent Visual Reasoning

语义增强的潜在视觉推理

Tianrun Xu, Yue Sun, Qixun Wang, Jingyi Lu, Yuan Wang, Tianren Zhang, Longteng Guo, Fengyun Rao, Jing Lyu, Feng Chen, Jing Liu

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） 纠错

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。

Does Seeing More Mean Knowing More? Mono-Anchored Advantage Normalization for Multi-Source Visual Reasoning

看见更多意味着知道更多吗？基于单锚优势归一化的多源视觉推理

Fanhu Zeng, Zhicong Luo, Zefan Wang, You Li, Chi Chen, Maosong Sun

机构 * Tsinghua University（清华大学） ； Northwest Polytechnical University（西北工业大学） ； Beijing Jiaotong University（北京交通大学） 纠错

专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV

AI总结 针对多源视觉推理中现有方法无法区分信息增益与干扰的问题，提出MARS框架，通过单源奖励作为动态锚点，将多源融合的信息增益显式纳入优势归一化，在强化学习中自适应增强源间互促并抑制噪声，在GRPO和DAPO上分别提升3.2%和4.9%。

Comments preprint

Self-supervised Hierarchical Visual Reasoning with World Model

基于世界模型的自监督分层视觉推理

Yuanfei Xu, Lin Liu, Wengang Zhou, Mingxiao Feng, Houqiang Li

机构 * Department of Electronic Engineering and Information Science, University of Science and Technology of China（电子工程与信息科学系，中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（人工智能研究院，合肥综合性国家科学中心） 纠错

专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.AI

AI总结 提出ResDreamer，一种分层世界模型，通过自监督方式学习残差表示，实现高效视觉推理，在3D开放环境中达到最先进的样本和参数效率。

Miller-Index-Based Latent Crystallographic Fracture Plane Reasoning and generation with Vision-Language Models

基于米勒指数的潜在晶体学断裂面推理与生成：视觉-语言模型方法

Qinwu Xu, Xiaofu Ma, Yifan Jiang

机构 * Independent research（独立研究） 纠错

专题命中 视觉推理 ：vision-language model(title)；multimodal large language model(abstract)；分类 cs.LG

AI总结 研究多模态大语言模型能否利用米勒指数作为结构化潜在表示来推理断裂几何，实验表明模型在理想条件下可进行潜在推理，并能拒绝不适用物理的表示。

Pseudocode-Guided Structured Reasoning for Automating Reliable Inference in Vision-Language Models

基于伪代码的结构化推理用于自动化可靠推理在视觉-语言模型中

Weicong Ni, Tianbao Jiang, Linlin Wang

机构 * East China Normal University（东华师范大学） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.AI

AI总结 本文提出了一种基于伪代码的结构化推理框架（PStar），旨在通过自适应选择结构化伪代码推理路径，提高视觉-语言模型在复杂任务中的可靠性和鲁棒性，从而减少幻觉现象并提升推理性能。

Attribute-Grounded Selective Reasoning for Artwork Emotion Understanding with Multimodal Large Language Models

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

Cheng Zhang, Yuer Liu, Zhiyu Zhou, Hongxia Xie, Wen-Huang Cheng

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） 纠错

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。

Self-Consistent Latent Reasoning: Long Latent Sequence Reasoning for Vision-Language Model

自洽潜在推理：面向视觉语言模型的长潜在序列推理

Chenfeng Wang, Wei He, Xuhan Zhu, Chunpeng Zhou, Qizhen Li, Song Yan, Yufei Zheng, Chengjun Yu, Fan Lu, Wei Zhai, Yang Cao, Pengfei Yu, Zheng-Jun Zha

机构 * University of Science and Technology of China（中国科学技术大学） ； Li Auto Inc.（利亚自动化公司） 纠错

专题命中 视觉推理 ：vision-language model(title)；visual reasoning(abstract)；分类 cs.CV

AI总结 本文提出SCOLAR模型，通过轻量级detransformer生成辅助视觉token，结合三阶段SFT和ALPO强化学习，显著提升视觉语言模型的长序列推理能力，达到开源模型在现实任务中的最佳性能。

Comments 17 pages, 6 figures

ChatSR: Multimodal Large Language Models for Scientific Formula Discovery

ChatSR：用于科学公式发现的多模态大语言模型

Yanjie Li, Lina Yu, Weijun Li, Min Wu, Liping Zhang, Jingyi Liu, Yusong Deng, Mingzhu Wan, Xin Ning

机构 * AnnLab, Institute of Semiconductors, Chinese Academy of Sciences, Beijing, China（安 lab，半导体研究所，中国科学院，北京，中国） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing, China（电子、电气与通信工程学院，中国科学院大学，北京，中国） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences, Beijing 101408, China（先进交叉科学学院，中国科学院大学，北京101408，中国） ； College of Materials Science and Opto-Electronic Technology, University of Chinese Academy of Sciences, Beijing, 100049, China（材料科学与光电技术学院，中国科学院大学，北京100049，中国） ； School of Integrated Circuits, University of Chinese Academy of Sciences, Beijing 100049, China（集成电路学院，中国科学院大学，北京100049，中国） 纠错

专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.AI

AI总结 ChatSR通过设计专用编码器和模态对齐机制，将科学数据映射到可被大语言模型处理的表示空间，从而生成符合领域先验的数学公式，推动科学发现自动化。

Comments 14 pages,

When Large Vision-Language Models Meet Person Re-Identification

当大视觉-语言模型遇见人重识别

Qizao Wang, Bin Li, Xiangyang Xue

机构 * School of Computer Science, Fudan University, Shanghai, China（复旦大学计算机科学学院，上海，中国） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 本文提出LVLM-ReID框架，利用大视觉-语言模型的生成能力提升人重识别的准确性，通过语义引导交互模块生成关键外观语义特征，无需额外标注即可在多个基准上取得竞争性结果。

Comments Accepted by ICASSP 2026

MIRL: Mutual Information-Guided Reinforcement Learning for Vision-Language Models

MIRL：基于互信息的强化学习用于视觉-语言模型

Yin Zhang, Jiaxuan Zhao, Zonghan Wu, Zengxiang Li, Junfeng Fang, Kun Wang, Qingsong Wen, Yilei Shao

机构 * School of Mathematics, Tianjin University, Tianjin, China（天津大学数学学院） ； Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院信息工程研究所） ； Shanghai Advanced Institute of Finance (SAIFS), East China Normal University, Shanghai, China（上海先进金融研究所（SAIFS），东华大学） ； ENN Group, Digital Technology Research Institute, China（ENN集团，数字技术研究院） ； Nanyang Technological University, Singapore（南洋理工大学） ； National University of Singapore, Singapore（新加坡国立大学） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 MIRL通过利用生成描述与视觉输入之间的互信息，解决视觉语言模型在复杂推理任务中的感知误差和幻觉问题，提升回答准确性。

Benchmarking Large Vision-Language Models on Fine-Grained Image Tasks: A Comprehensive Evaluation

在细粒度图像任务上评估大型视觉-语言模型：全面评估

Hong-Tao Yu, Yuxin Peng, Serge Belongie, Xiu-Shen Wei

机构 * School of Computer Science and Engineering, School of Intelligence Science and Engineering and Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications, Southeast University, China（东南大学计算机科学与工程学院、智能科学与工程学院及新一代人工智能技术及其跨学科应用关键实验室，中国） ； Wangxuan Institute of Computer Technology, Peking University, China（北京大学王轩计算机技术研究所，中国） ； University of Copenhagen, Denmark（丹麦哥本哈根大学） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 本文提出FG-BMK基准，通过101万问题和33万张图像评估LVLMs的语义识别与细粒度特征表示能力，揭示训练范式、模态对齐等对性能的影响，为未来模型设计提供指导。

Comments Accepted to ICLR 2026

PhysNote: Self-Knowledge Notes for Evolvable Physical Reasoning in Vision-Language Model

PhysNote: 为视觉-语言模型中的可进化物理推理提供自我知识笔记

Sinin Zhang, Yunfei Xie, Yuxuan Cheng, Haoyu Zhang, Tong Zhang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Rice University（里奇大学） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.AI

AI总结 本文提出PhysNote框架，通过自我生成的知识笔记提升视觉-语言模型在动态物理推理中的表现，实验显示其在PhysBench上达到56.68%的准确率，优于多智能体基线。

Comments 11 pages. Accepted by ICLR 2026 Workshop ES-Reasoning

Graph-to-Vision: Multi-graph Understanding and Reasoning using Vision-Language Models

图到视觉：利用视觉-语言模型进行多图理解与推理

Qihang Ai, Ruizhou Li, Menghui Wang, Haiyun Jiang

机构 * Nanyang Technological University（南洋理工大学） ； Shandong University（山东大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.AI

AI总结 本文提出首个评估和提升视觉语言模型多图推理能力的基准，涵盖四种常见图类型并支持复杂任务，评估了多种先进模型并验证了数据集的有效性。

Comments 26 pages, 23 figures

Forest Before Trees: Latent Superposition for Efficient Visual Reasoning

森林在树之前：用于高效视觉推理的潜在叠加

Yubo Wang, Juntian Zhang, Yichen Wu, Yankai Lin, Nils Lukas, Yuhan Liu

机构 * MBZUAI ； Fudan University（复旦大学） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Harvard University（哈佛大学） 纠错

专题命中 视觉推理 ：visual reasoning(title)；vision-language model(abstract)；分类 cs.CV

AI总结 本文提出Laser方法，通过动态窗口对齐学习实现视觉推理的'森林在树之前'认知层次，提升模型在保持全局特征叠加的同时，实现高效且可解释的视觉推理。

Comments Accepted by ACL 2026 Main Conference

BOP-ASK: Object-Interaction Reasoning for Vision-Language Models

BOP-ASK：面向视觉-语言模型的对象交互推理

Vineet Bhat, Sungsu Kim, Valts Blukis, Greg Heinrich, Prashanth Krishnamurthy, Ramesh Karri, Stan Birchfield, Farshad Khorrami, Jonathan Tremblay

机构 * New York University（纽约大学） ； NVIDIA（英伟达） 纠错

专题命中 视觉推理 ：vision-language model(title)；vision language model(abstract)；分类 cs.CV

AI总结 本文提出BOP-ASK数据集，用于训练和评估视觉-语言模型的对象交互推理能力，包含15万张图像和3300万对问题答案，涵盖六个任务，验证了模型在复杂环境中的空间推理能力。

Comments Accepted at CVPR 2026. Code, Datasets & Benchmark available at https://bop-ask.github.io/

GeoArena: Evaluating Open-World Geographic Reasoning in Large Vision-Language Models

GeoArena：在大视觉-语言模型中评估开放世界地理推理

Pengyue Jia, Yingyi Zhang, Xiangyu Zhao, Sharon Li

机构 * Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； Department of Computer Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 本文提出GeoArena框架，通过人偏好评估动态图像中的地理推理能力，评估17种前沿LVLM，分析模型行为与人类偏好可靠性。

Comments ACL 2026 Main

AVRT: Audio-Visual Reasoning Transfer through Single-Modality Teachers

AVRT：通过单模态教师模型实现音频-视觉推理迁移

Edson Araujo, Saurabhchand Bhati, M. Jehanzeb Mirza, Brian Kingsbury, Samuel Thomas, Rogerio Feris, James R. Glass, Hilde Kuehne

机构 * University of Tübingen, Germany（图宾根大学） ； MIT, Cambridge MA, USA（麻省理工学院） ； IBM Research, USA（IBM研究院） ； MIT-IBM Watson AI Lab, USA（麻省理工-IBM沃森人工智能实验室） ； Tuebingen AI Center, Germany（图宾根人工智能中心） 纠错

专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV

AI总结 本文提出AVRT框架，通过单模态教师模型生成高质量音频-视觉推理轨迹，并利用LLM合并模型整合轨迹，从而在多模态设置中实现推理迁移，取得音视频和音频任务的最优效果。

Where Do Vision-Language Models Fail? World Scale Analysis for Image Geolocalization

视觉-语言模型在何处失效？面向图像地理定位的世界尺度分析

Siddhant Bharadwaj, Ashish Vashist, Fahimul Aleem, Shruti Vyas

机构 * University of Central Florida（中央佛罗里达大学） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 本文评估了多种先进视觉-语言模型在国家层面图像地理定位中的表现，揭示了模型在粗粒度地理定位中的潜力及当前模型在细粒度地理线索捕捉上的局限。

Comments Accepted to the CVPR EarthVision 2026 Workshop

HyperGVL: Benchmarking and Improving Large Vision-Language Models in Hypergraph Understanding and Reasoning

HyperGVL：超图理解与推理中大视觉-语言模型的基准测试与改进

Yanbin Wei, Chun Kang, Siwei Li, Haoxuan Che, Yang Chen, Hua Liu, Jian Liu, Zhuang Liu, Can Ouyang, Fei Xing, Lei Sha, Rui Liu, Yu Zhang, James Kwok

机构 * Southern University of Science and Technology（南方科技大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Huawei Research（华为研究） ； Beihang University（北航） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 本文提出HyperGVL基准，评估12种先进LVLM在超图理解与推理中的能力，通过84,000个样本覆盖12种任务，引入可泛化的WiseHyGR路由器提升模型性能。

Comments Under Review; Opensource after accepted

Learning Adaptive Reasoning Paths for Efficient Visual Reasoning

学习高效的视觉推理路径

Yixu Huang, Tinghui Zhu, Muhao Chen

机构 * Fudan University（复旦大学） ； University of California, Davis（加州大学戴维斯分校） 纠错

专题命中 视觉推理 ：visual reasoning(title,abstract)；分类 cs.CV

AI总结 本文提出AVR框架，通过分解视觉推理为三个认知功能，动态选择响应格式，减少推理冗余，提升效率。

Do Thought Streams Matter? Evaluating Reasoning in Gemini Vision-Language Models for Video Scene Understanding

推理流是否重要？评估Gemini视觉-语言模型在视频场景理解中的推理能力

Shivam Sharma, Sankalp Nagaonkar, Ashish Choithani, Ashutosh Trivedi

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 研究评估了Gemini视频语言模型中推理流对视频场景理解的影响，提出三个评估指标，并发现增加推理量对输出质量的提升迅速达到平台期，Flash Lite在质量和token使用之间取得最佳平衡。