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。
用于视频推理的潜在视觉缓存
机构 * Tencent Youtu Lab（腾讯优图实验室） ； Tsinghua University（清华大学） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 研究视频推理中视觉锚定衰减问题，提出潜在视频缓存Latent-VC插入解码器，通过监督对比缓存对齐等训练，在多视频基准测试中表现优于基线，能保留视觉证据提升推理。
学习演化场景：用场景图推理人类活动
机构 * Politecnico di Torino（托斯托大学）
专题命中 视觉推理 ：MLLM(abstract_cn)；分类 cs.CV
AI总结 提出SG-Ego标注集和GLEN模型，通过时空场景图显式建模人-环境交互的动态演化，实现活动驱动的场景变化推理与预测。
Comments Project page at https://francescapistilli.github.io/GLEN
EduArt：评估大型语言模型艺术史知识的教育级基准
机构 * University of Bologna（博洛尼亚大学） ； Villa i Tatti – The Harvard University Center for Italian Renaissance Studies（哈佛大学意大利文艺复兴研究中心（I Tatti）） ； University of Copenhagen（哥本哈根大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 提出EduArt基准，包含871道人工出题的艺术史题目，评估多模态大模型在不同格式和语言下的知识掌握与推理能力，发现格式显著影响表现，多选题高估模型能力。
超越热力图：面向可解释视觉的无监督概念图推理
机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Saarland University（萨尔大学） ； Oldenburg University（奥尔登堡大学） ； BEGO GmbH & Co. KG（BEGO有限两合公司）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 提出G-CBM模型，通过非负矩阵分解无监督发现概念，构建图像级概念图，利用图注意力网络进行概念级推理，在多个数据集上平均AUC提升3.7%。
Comments Accepted at the IJCAI-ECAI 2026 Workshop on Explainable Artificial Intelligence (XAI), Bremen, Germany. 7 pages, 4 figures
通过语言与符号表示之间的模态切换进行空间推理
机构 * Michigan State University（密歇根州立大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 研究多跳文本空间故事中，将语言推理切换到几何感知模态（如布局或网格）能否提升推理性能，并提出基于可信度和复杂度的切换指标，实现原则性模态选择，使LLM性能提升高达42%。
OmniView-Space: 通过多视角空间映射增强空间推理
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（厦门大学多媒体可信感知与高效计算教育部重点实验室） ； Tencent Youtu Lab（腾讯优图实验室） ； Beijing Institute of Technology（北京理工大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出OmniView-Space框架，通过多视角空间映射、工具引导的自我中心推理和认知图蒸馏，解决多模态大模型在多步空间推理中的参考框架动态重锚问题，在单/多图像基准上达到最优性能。
语言相对策略优化用于视频异常推理
机构 * Chongqing College of Artificial Intelligence（重庆人工智能学院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出语言相对策略优化（LRPO），通过从多个推理轨迹中提取群体相对语义优势，构建语言表达的异常经验先验，无需参数更新即可引导模型输出，在无调参设置下显著超越现有方法。
Comments Accepted at ICML 2026; 18 pages, 8 figures, 9 tables
RoboSpatial Challenge at CVPR 2026技术报告：选择性推理激活与参考框架消歧用于具身空间推理
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Ruoyu Technology（若愚科技）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出RoboSpatialBrain，通过强制<think>前缀激活和参考框架重定向两种无训练推理机制，解决具身空间推理中的歧义问题，在RoboSpatial-Home上达到80.9%成功率，获得挑战赛第一名。
MS-Resampler: 用于高效多模态大语言模型的多范围视觉重采样
机构 * Li Auto Inc.（理想汽车） ； East China Normal University（华东师范大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出MS-Resampler，通过多范围视觉重采样框架，注入显式空间范围先验，使模型在固定令牌预算内同时捕获局部细节和全局上下文，提升多模态理解与推理。
超越单字符：评估多模态大语言模型在句子级甲骨文理解中的表现
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanjing University of Science and Technology（南京理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出S-OBI基准，通过字形替换与组合合成清晰标准的句子级甲骨文实例，设计语义匹配、语义槽提取和上下文推理任务，评估多模态大语言模型在句子级甲骨文理解中的表现，发现当前模型仍依赖字符级识别。
Comments 13 pages, 4 figures
潜在视觉扩散推理与蒙特卡洛树搜索
机构 * Beijing Jiaotong University（北京交通大学） ； Virginia Commonwealth University（弗吉尼亚联邦大学） ； University at Buffalo（布法罗大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 提出LVDR框架，结合关键点引导的蒙特卡洛树搜索，实现细粒度技能活动的可解释视觉推理，在多个体育和手术数据集上取得竞争性表现。
Comments Accepted to ECCV 2026. Project page: https://github.com/XiruiTeng/LVDR_Official.git
Video-MME-Logical: 面向视频时序逻辑推理的受控诊断基准
机构 * HKUST（香港科技大学） ； Colab, Beihang University（北京航空航天大学合作实验室） ； CUHK（香港中文大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 为隔离评估多模态大模型在视频中的时序逻辑推理能力，提出包含五种时序逻辑操作和25个细粒度任务类别的受控基准，通过控制时间跨度和推理复杂度进行难度可控评估，并支持中间状态诊断。
CORTEX：用于可信3D胸部CT多模态大语言模型的结构化推理基准
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Hasso Plattner Institute（哈索·普拉特纳研究所） ； Khalifa University（哈利法大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出CORTEX基准，通过四阶段诊断推理轨迹和阶段级评估协议，为3D胸部CT多模态大语言模型提供结构化监督与验证，包含76,177个验证推理轨迹。
HarmVideoBench：大型多模态模型中有害视频理解的基准测试
机构 * Central South University（中南大学） ； Tsinghua University（清华大学） ； South China Normal University（华南师范大学） ； ByteDance Inc（字节跳动公司） ； University of Zaragoza（阿拉维达大学） ； CosmosMind ； Wuhan University（武汉大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Southeast University（东南大学） ； Tencent（腾讯公司） ； Nankai University（南开大学） ； Supermicro Computer Inc（Supermicro计算机公司） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出HarmVideoBench，一个包含1379个视频和4137道选择题的多层次诊断基准，从三个维度评估模型对有害视频的深层理解，并引入BCR方法将宏平均准确率从61.7%提升至84.4%。
位置重绑定缓存复用：交错多模态推理中无重放的视觉重访
机构 * Sun Yat-sen University（中山大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Harbin Institute of Technology (HIT)（哈尔滨工业大学） ； Fudan University（复旦大学） ； Shanghai Artificial Intelligence 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 ：grounding(abstract)；分类 cs.CV
AI总结 提出位置重绑定缓存复用（PRCR）框架，通过重绑历史视觉KV缓存的位置坐标，实现无重放的高效视觉重访，在多个多模态推理基准上平均准确率提升5%，计算量减少数万倍。
Visual-OPSD：用于高效统一多模态推理的跨模态在策略自蒸馏
机构 * Xi’an Jiaotong University（西安交通大学） ； MOE KLINNS Lab（MOE KLINNS实验室） ； Shaanxi Province Key Laboratory of Big Data Knowledge Engineering（陕西省大数据知识工程重点实验室） ； Sun Yat-sen University（中山大学）
专题命中 视觉推理 ：VLM(abstract_cn)；分类 cs.CV
AI总结 提出Visual-OPSD方法，通过跨模态在策略自蒸馏，将多步扩散生成的可视化思维推理能力转移到纯文本学生模型，实现14.3倍加速且性能提升3.40个百分点。
CineCap: 基于时空锚点的结构化推理用于电影化视频描述
机构 * The Chinese University of Hong Kong（香港中文大学） ； Xiamen University（厦门大学） ； Kling Team, Kuaishou Technology（快手科技Kling团队） ； National University of Singapore（新加坡国立大学） ； Southern University of Science and Technology（南方科技大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 提出CineCap框架，通过时空锚点结构化推理和强化学习（覆盖完整性、准确性和门控覆盖奖励）生成电影化视频描述，在CineCap Bench基准上达到新最优。
Comments 10 pages, 4 figures
Vesta: 一种通用具身推理模型
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Michigan（密歇根大学） ； Nanyang Technological University（南洋理工大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Tübingen（图宾根大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 提出统一的基础模型Vesta，整合定位、空间推理、导航和长时规划能力，通过大规模空间感知语料库和简单多模态记忆机制，在多个基准上平均优于专用模型20%以上，在真实机器人任务中成功率提升35%。
3D场景图：开放挑战与未来方向
机构 * University of Stuttgart（斯图加特大学） ； IMPRS-IS（马克斯·普朗克研究所-智能系统） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； Google（谷歌） ； MIT（麻省理工学院） ； University of Freiburg（弗赖堡大学） ； UTN University of Montreal（蒙特利尔大学UTN分校） ； Mila TU Munich（慕尼黑技术大学Mila）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 本文统一综述3D场景图（3DSG）的构建、应用与评估，分析现有建模选择与开放挑战，旨在推动鲁棒部署。
Comments Invited article for the Annual Review of Control, Robotics, and Autonomous Systems Volume 10
MathVis-Fine：通过渐进式依赖引导训练将视觉监督与必要性对齐的多模态数学推理
机构 * School of ECE, Peking University（北京大学电子与计算机工程学院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） ； Tencent Youtu Lab（腾讯优图实验室）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 提出MathVis-Fine框架，通过构建细粒度视觉标注数据集和两阶段渐进式训练，根据样本的视觉依赖程度平衡答案正确性和视觉基础奖励，提升多模态数学推理的监督精度。
注意差距：诊断图像内文本编辑中的约束发现失败
专题命中 视觉推理 ：MLLM(abstract_cn)；分类 cs.CV
AI总结 通过图像内文本编辑的受控诊断，研究多模态模型在发现未明确指定的视觉依赖约束时的失败，发现模型仅能自行发现46%的约束，而明确提供时可达94%。
DeepRoot: 一个基于知识图谱协调的多智能体系统，用于历史医学文本的治疗推理
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 提出DeepRoot多智能体系统，通过联合构建和利用验证知识图谱，将接地与推理分离并组合，从历史医学文本中恢复药物-疾病治疗关系，显著优于基线LLM和工具调用LLM。
Journal ref ICML 2026 GenBio; ACM CAIS 2026 Workshop AI Agents for Discovery in the Wild
GridVQA-X: 评估多模态可解释性方法的框架
机构 * IIIT Hyderabad（印度海得拉巴国际信息技术学院） ； University of Virginia（弗吉尼亚大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出GridVQA-X诊断框架，通过合成数据生成数学保证的解释，并训练纯推理与捷径依赖的配对模型，揭示现有可解释性方法无法区分真实跨模态推理与浅层捷径。
Comments 23 pages, 15 Figures, Accepted for poster presentation at CVPR 2026 TRUE-V Workshop
SpatialWorld: 在多模态智能体真实世界任务中基准测试交互式空间推理
机构 * Tsinghua University（清华大学） ； Chongqing University（重庆大学） ； Peking University（北京大学） ； ZenoMind AI ； Xi’an Jiaotong University（西安交通大学） ； Beijing Institute of Technology（北京理工大学） ； Southeast University（东南大学） ； Shanghai Jiao Tong University（上海交通大学） ； Joy Future Academy（京东探索研究院） ； The University of Hong Kong（香港大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 提出SpatialWorld基准，集成8种异构模拟后端，通过760个人工标注任务评估多模态智能体在视觉部分可观测环境中的交互式空间理解，发现最强模型GPT-5任务成功率仅17.4%。
DriveReward：面向自动驾驶的综合数据集与生成式视觉语言奖励模型
机构 * Tsinghua University（清华大学） ； Xiaomi EV（小米汽车）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出DriveReward数据集和专用视觉语言奖励模型，通过反事实标注和时序视觉引导，解决自动驾驶中奖励获取的泛化问题，在强化学习和轨迹选择中取得与基于规则方法相当的性能。
CausalMotion: 基于关键帧与轨迹引导的结构化物理推理实现免训练视频生成
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； ShanghaiTech University（上海科技大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出CausalMotion框架，利用视觉语言模型将文本提示分解为因果一致的关键帧和物体运动轨迹，作为软约束引导预训练视频扩散模型，无需额外训练即可提升物理合理性和时间连贯性。
Comments Project Page: https://zhuangsh0713.github.io/CausalMotion/
人工智能研究中的主题相变：大规模证据与新兴主题的早期预警信号
机构 * College of Science and Engineering（科学与工程学院） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学） ； Doha, Qatar（卡塔尔多哈）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 通过分析2017-2025年五大AI会议论文，发现AI主题通过“相变”方式突然爆发，并基于早期预警信号识别未来需关注的主题。
思想与言语解耦：基于知识反事实推理的鲁棒多智能体辩论
机构 * Institute of Computer Science, Warsaw University of Technology（华沙技术大学计算机科学学院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 提出知识反事实推理（KG-CFR）双阶段架构，通过私有规划缓冲与公共执行层分离，在动态资源分配环境下将扰动后论证质量从0.694提升至0.822，并减少语义循环。
Comments Accepted for publication in the Proceedings of the 30th International Conference on Knowledge-Based and Intelligent Information & Engineering Systems (KES 2026)
光学推理：重新思考图像作为超越文本的表达性推理媒介
机构 * The Hong Kong Polytechnic University（香港理工大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 提出光学推理概念，将图像作为独立推理媒介，通过排版和图形两种变体实现，在语言和多模态任务中匹配或超越文本推理，同时减少推理令牌。
CRANE：面向推理多模态大语言模型的知识编辑
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； New Laboratory of Pattern Recognition (NLPR), CASIA（中国科学院自动化研究所模式识别国家重点实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Shandong University（山东大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 针对推理多模态大语言模型在知识编辑中出现的结构崩溃、认知失调和浅层内化三种失败模式，提出检索增强框架CRANE，无需逐编辑参数修改，通过模态感知双库检索系统和两阶段训练策略实现高成功率。
Comments 10 pages, 5 figures
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