视觉大模型 / VLM

CogOmniControl: Reasoning-Driven Controllable Video Generation via Creative Intent Cognition

CogOmniControl: 通过创意意图认知实现推理驱动的可控视频生成

Hongji Yang, Songlian Li, Yucheng Zhou, Xiaotong Zhao, Alan Zhao, Chengzhong Xu, Jianbing Shen

机构 * SKL-IOTSC, CIS, University of Macau（澳门大学SKL-IOTSC、CIS实验室） ； Online-Video BU, Tencent（腾讯在线视频事业部） 纠错

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

AI总结 本文提出CogOmniControl框架，通过将可控视频生成分解为创意意图认知和生成两个阶段，利用专门训练的CogVLM生成更专业清晰的输出，并通过强化学习对齐不同条件的控制，最终在两个基准测试中超越现有开源模型。

Artifact-Bench: Evaluating MLLMs on Detecting and Assessing the Artifacts of AI-Generated Videos

Artifact-Bench: 评估MLLMs在检测和评估AI生成视频中的伪影

Yuqi Tang, Yang Shi, Zhuoran Zhang, Qixun Wang, Xuehai Bai, Yue Ding, Ruizhe Chen, Bohan Zeng, Xinlong Chen, Xuanyu Zhu, Bozhou Li, Yuran Wang, Yifan Dai, Chengzhuo Tong, Xinyu Liu, Yiyan Ji, Yujie Wei, Yuhao Dong, Shilin Yan, Fengxiang Wang, Yi-Fan Zhang, Haotian Wang, Yuanxing Zhang, Pengfei Wan

机构 * Kling Team（Kling团队） ； Shanghai AI Lab（上海人工智能实验室） 纠错

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

AI总结 本文提出Artifact-Bench，一个用于评估多模态大语言模型在检测和分析AI生成视频伪影能力的基准，揭示了现有模型在伪影感知和推理上的显著局限性。

Reasoning Before Diagnosis: Physician-Inspired Structured Thinking for ECG Classification

在诊断前进行推理：受医生启发的结构化思维用于心电图分类

Yang Wu, Xiaoyan Yuan, Hau-San Wong, Xiping Hu

机构 * City University of Hong Kong（香港城市大学） ； Beijing Institute of Technology（北京理工大学） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学） 纠错

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

AI总结 本文提出CardioThink框架，通过结构化推理过程提升心电图分类的临床相关性，并引入SSPO方法以优化诊断结果的准确性和可解释性。

EVA01: Unified Native 3D Understanding and Generation via Mixture-of-Transformers

EVA01: 通过混合变换器实现统一的原生3D理解和生成

Zongyuan Yang, Mingjing Yi, Wanli Ma, Chenzhuo Fan, Bocheng Li, Baolin Liu, Yuke Lou, Yingde Song, Yongping Xiong, Zhengdong Guo, Shimu Wang

机构 * SeeleAI Team（SeeleAI团队） 纠错

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

AI总结 本文提出EVA01框架，通过混合变换器架构扩展多模态大语言模型的模态边界，实现原生的3D网格理解和生成以及上下文感知编辑，提升文本到3D生成的保真度和多轮几何编辑能力。

Comments 28 pages, 10 figures, 6 tables. Technical report

Thinking with Geometry: Active Geometry Integration for Spatial Reasoning

基于几何的思考：用于空间推理的主动几何整合

Haoyuan Li, Qihang Cao, Tao Tang, Kun Xiang, Zihan Guo, Jianhua Han, JiaWang Bian, Hang Xu, Xiaodan Liang

机构 * Shenzhen campus of Sun Yet-sen University（中山大学深圳校区） ； Yinwang Intelligent Technology Co. Ltd.（云网智能科技有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai innovation institute（上海创新研究院） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出GeoThinker框架，通过主动感知机制改进空间推理，通过空间接地融合和重要性门控实现几何与语义的精准整合，提升空间智能性能。

DermAgent: A Self-Reflective Agentic System for Dermatological Image Analysis with Multi-Tool Reasoning and Traceable Decision-Making

DermAgent: 一种用于皮肤病图像分析的自反思代理系统，具备多工具推理和可追溯决策制定

Yize Liu, Siyuan Yan, Ming Hu, Lie Ju, Xieji Li, Feilong Tang, Wei Feng, Zongyuan Ge

机构 * AIM for Health Lab, Faculty of Information Technology, Monash University, Melbourne, Australia（健康人工智能实验室，信息科技学院，墨尔本大学，澳大利亚） ； Faculty of Information Technology, Monash University, Melbourne, Australia（信息科技学院，墨尔本大学，澳大利亚） ； University College London, Institute of Ophthalmology, London, United Kingdom（伦敦大学学院，眼科研究所，英国） 纠错

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

AI总结 DermAgent通过多工具协作和反思框架，在皮肤病图像分析中实现可追溯的诊断推理，优于现有模型。

Comments MICCAI2026 early acceptance

Revisiting Model Inversion Evaluation: From Misleading Standards to Reliable Privacy Assessment

重新审视模型反向评估：从误导性标准到可靠的隐私评估

Sy-Tuyen Ho, Koh Jun Hao, Ngoc-Bao Nguyen, Alexander Binder, Ngai-Man Cheung

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； University of Maryland College Park（马里兰大学学院公园分校） 纠错

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

AI总结 本文重新审视模型反向攻击的评估框架，揭示其存在虚假正例问题，并提出基于大规模语言模型的新评估方法以提升隐私评估的可靠性。

Comments Accepted to CVPR Findings 2026

Think, then Score: Decoupled Reasoning and Scoring for Video Reward Modeling

思考，然后评分：视频奖励建模中的解耦推理与评分

Yuan Wang, Ouxiang Li, Yulong Xu, Borui Liao, Jiajun Liang, Jinghan Li, Meng Wang, Xintao Wang, Pengfei Wan, Kuien Liu, Xiang Wang

机构 * University of Science and Technology of China（中国科学技术大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Institute of Software Chinese Academy of Sciences（中国科学院软件研究所） 纠错

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

AI总结 本文提出DeScore模型，通过解耦推理与评分机制提升视频奖励建模的泛化能力，结合冷启动和强化学习优化，实现更稳定的性能。

B4DL: A Benchmark for 4D LiDAR LLM in Spatio-Temporal Understanding

B4DL：用于空间时间理解的4D激光雷达LLM基准

Changho Choi, Youngwoo Shin, Gyojin Han, Dong-Jae Lee, Junmo Kim

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

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

AI总结 本文提出B4DL基准，用于训练和评估多模态大语言模型对4D激光雷达数据的理解，结合可扩展的数据生成管道和新模型，实现动态户外环境的空间时间推理。

Comments Accepted at ACM MM 2025

SpaceMind++: Toward Allocentric Cognitive Maps for Spatially Grounded Video MLLMs

SpaceMind++：迈向空间感知认知地图的视频多模态大语言模型

Bo Gu, Zhikang Zhang, Zizhuang Wei, Zhenyuan Chen, Lingyun Li, Zhuoyi Song

机构 * Fudan University（复旦大学） ； Huawei（华为） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

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

AI总结 SpaceMind++通过构建体素化认知地图，实现空间一致性的视觉推理，提升视频多模态大语言模型在3D环境中的表现。

Comments 14 pages, 3 figures

CollabVR: Collaborative Video Reasoning with Vision-Language and Video Generation Models

CollabVR: 基于视觉-语言和视频生成模型的协作视频推理

Joowon Kim, Seungho Shin, Joonhyung Park, Eunho Yang

机构 * KAIST（韩国科学技术院） ； Kyung Hee University（庆熙大学） ； AITRICS 纠错

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

AI总结 CollabVR通过结合视觉-语言模型与视频生成模型，在步骤级实现协作视频推理，提升多步任务性能，并在基准测试中优于现有方法。

ReasonEdit: Towards Interpretable Image Editing Evaluation via Reinforcement Learning

ReasonEdit：通过强化学习实现可解释图像编辑评估

Honghua Chen, Zitong Xu, Huiyu Duan, Xinyun Zhang, Xiongkuo Min, Guangtao Zhai

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出ReasonEdit，通过引入ReasonEdit-22K数据集和RE-Reward模型，训练出可解释的图像编辑评估模型，提升评估的可解释性和透明度。

Creative Robot Tool Use by Counterfactual Reasoning

通过反事实推理实现创意机器人工具使用

M. Tuluhan Akbulut, Varun Satheesh, Ahmed Jaafar, Alper Ahmetoglu, Shane Parr, Aditya Ganeshan, Shivam Vats, George Konidaris

机构 * Brown University（布朗大学） 纠错

专题命中 视觉推理 ：VLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.AI

AI总结 本文提出一种因果推理框架，用于识别超出其主要目标的合适工具。通过动态模型模拟实验发现工具与任务的因果关系，并通过几何和物理特征扰动生成反事实工具，实现更可靠的工具选择和更强的技能关键点迁移。

Comments Under review

Act2See: Emergent Active Visual Perception for Video Reasoning

Act2See：面向视频推理的涌现式主动视觉感知

Martin Q. Ma, Yuxiao Qu, Aditya Agrawal, Willis Guo, Paul Pu Liang, Ruslan Salakhutdinov, Louis-Philippe Morency

机构 * Carnegie Mellon University（卡内基梅隆大学） ； MIT（麻省理工学院） 纠错

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

AI总结 本文提出Act2See框架，通过使VLMs在文本推理中主动交错视频帧，实现视频推理中的主动视觉感知，提升了推理质量并优于现有方法。

Comments CVPR 2026

Echo-α: Large Agentic Multimodal Reasoning Model for Ultrasound Interpretation

Echo-α：用于超声解读的大型代理多模态推理模型

Jing Zhang, Wentao Jiang, Tao Huang, Zhiwei Wang, Jianxin Liu, Jian Chen, Ping Ye, Gang Wang, Zengmao Wang, Bo Du, Dacheng Tao

机构 * MiliLab（Mili实验室） 纠错

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

AI总结 Echo-α结合了精确的病变定位和整体临床推理，通过九任务监督课程和强化学习提升超声解读的准确性和可解释性。

Comments 12 pages, 4 figures. Technical report

MARVIS: Modality Adaptive Reasoning over VISualizations

MARVIS：基于可视化模态自适应推理

Benjamin Feuer, Lennart Purucker, Oussama Elachqar, Chinmay Hegde

机构 * Stanford University（斯坦福大学） ； Prior Labs（Prior实验室） ； New York University（纽约大学） 纠错

专题命中 视觉推理 ：VLM(summary_cn,abstract_cn)；分类 cs.LG

AI总结 MARVIS通过将潜在嵌入空间转换为可视化表示，并利用VLM的空间和细粒度推理能力，实现跨视觉、音频、生物和表格域的预测，以3B参数模型在多个领域超越Gemini 2.0。

AdaTooler-V: Adaptive Tool-Use for Images and Videos

AdaTooler-V：面向图像和视频的自适应工具使用

Chaoyang Wang, Kaituo Feng, Dongyang Chen, Zhongyu Wang, Zhixun Li, Sicheng Gao, Meng Meng, Xu Zhou, Manyuan Zhang, Yuzhang Shang, Xiangyu Yue

机构 * MMLab, CUHK（香港中文大学MML实验室） ； THU（清华大学） ； SJTU（上海交通大学） ； DB Group, CUHK（香港中文大学DB小组） ； UCF（佛罗里达大学） ； Sangfor（Sangfor公司） ； JMU（约翰·霍普金斯大学） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 本文提出AdaTooler-V，通过自适应工具使用提升多模态大语言模型的视觉推理能力，通过强化学习算法和定制数据集优化工具调用策略，实验证明其在多种视觉任务中表现优异。

Comments ACL 2026 Findings, Project page: https://github.com/CYWang735/AdaTooler-V

OneThinker: All-in-one Reasoning Model for Image and Video

OneThinker：面向图像和视频的统一推理模型

Kaituo Feng, Manyuan Zhang, Hongyu Li, Kaixuan Fan, Shuang Chen, Yilei Jiang, Dian Zheng, Peiwen Sun, Yiyuan Zhang, Haoze Sun, Yan Feng, Peng Pei, Xunliang Cai, Xiangyu Yue

机构 * MMLab, CUHK（CUHK多媒体实验室） ； Meituan Home（美团家） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV

AI总结 OneThinker提出一个统一的多模态推理模型，整合图像和视频理解，涵盖问答、描述生成、空间时间定位、跟踪和分割等任务，通过构建大规模训练语料和EMA-GRPO算法提升多任务强化学习效果。

Comments CVPR 2026, Project page: https://github.com/tulerfeng/OneThinker

SPEAR-1: Scaling Beyond Robot Demonstrations via 3D Understanding

SPEAR-1：通过3D理解超越机器人演示

Nikolay Nikolov, Giuliano Albanese, Sombit Dey, Aleksandar Yanev, Luc Van Gool, Jan-Nico Zaech, Danda Pani Paudel

机构 * INSAIT 纠错

专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.LG

AI总结 本文提出SPEAR-1，通过融合3D感知与语言指导的具身控制，提升机器人基础模型的泛化能力，使用20倍少的机器人演示数据在24个Open X-Embodiment数据集上训练，超越现有最佳模型。

Targeted Exploration via Unified Entropy Control for Reinforcement Learning

通过统一熵控制实现定向探索的强化学习

Chen Wang, Lai Wei, Yanzhi Zhang, Chenyang Shao, Zedong Dan, Weiran Huang, Ge Lan, Yue Wang

机构 * College of Software, Nankai University（南开大学软件学院） ； Zhongguancun Academy（中关村学院） ； Shanghai Jiao Tong University（上海交通大学） ； Chinese Academy of Sciences（中国科学院） ； Tsinghua University（清华大学） ； Sun Yat-sen Univeristy（中山大学） 纠错

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

AI总结 本文提出UEC-RL框架，通过定向探索机制和稳定器解决强化学习中的熵崩溃问题，提升大模型推理性能。

Comments Accepted for publication in Findings of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)

One RL to See Them All: Visual Triple Unified Reinforcement Learning

一个RL看尽一切：视觉三合一强化学习

Yan Ma, Linge Du, Xuyang Shen, Shaoxiang Chen, Pengfei Li, Qibing Ren, Lizhuang Ma, Yuchao Dai, Pengfei Liu, Junjie Yan

机构 * Qwen Team（通义实验室） 纠错

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

AI总结 本文提出V-Triune方法，通过三个协调抽象提升多模态RL性能，开发Orsta模型在多个任务中表现优异，展示统一RL在视觉语言模型中的优势。

Comments Technical Report

MedRCube: A Multidimensional Framework for Fine-Grained and In-Depth Evaluation of MLLMs in Medical Imaging

MedRCube：面向医学影像中多模态大语言模型细粒度与深入评估的多维框架

Zhijie Bao, Fangke Chen, Licheng Bao, Chenhui Zhang, Wei Chen, Jiajie Peng, Zhongyu Wei

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； School of Integrated Circuits, Zhejiang University（浙江大学集成电路学院） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院） 纠错

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

AI总结 本文提出MedRCube框架，通过两阶段构建流程对33个MLLM进行细粒度评估，揭示先前方法无法获取的洞察，并引入可信度评估子集，发现快捷行为与诊断性能的显著正相关，引发临床部署的担忧。

SceneCritic: A Symbolic Evaluator for 3D Indoor Scene Synthesis

SceneCritic: 一种用于3D室内场景合成的符号评估器

Kathakoli Sengupta, Kai Ao, Paola Cascante-Bonilla

机构 * Stony Brook University（石溪大学） 纠错

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

AI总结 本文提出SceneCritic，一种基于空间本体的符号评估器，用于评估3D室内场景合成的语义、方向和几何一致性，通过不同批评模式验证模型的空间结构构建与修正能力。

Comments Project Page: https://lab-spell.github.io/SceneCritic/

VPTracker: Global Vision-Language Tracking via Visual Prompt

VPTracker: 基于多模态大语言模型的全局视觉-语言跟踪

Jingchao Wang, Kaiwen Zhou, Zhijian Wu, Kunhua Ji, Dingjiang Huang, Yefeng Zheng

机构 * School of Data Science and Engineering, East China Normal University, Shanghai 200062, China（数据科学与工程学院，华东师范大学，上海200062，中国） ； Medical Artificial Intelligence Laboratory, Westlake University, Hangzhou 310024, China（医学人工智能实验室，西湖大学，杭州310024，中国） 纠错

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

AI总结 本文提出VPTracker，首个基于多模态大语言模型的全局视觉-语言跟踪框架，通过引入位置感知的视觉提示机制，提升跟踪鲁棒性和稳定性，有效抑制干扰。

Comments 7 pages

DiningBench: A Hierarchical Multi-view Benchmark for Perception and Reasoning in the Dietary Domain

DiningBench：面向饮食领域的分层多视角基准测试平台

Song Jin, Juntian Zhang, Xun Zhang, Zeying Tian, Fei Jiang, Guojun Yin, Wei Lin, Yong Liu, Rui Yan

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Meituan（美团） ； Wuhan University（武汉大学） 纠错

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

AI总结 本文提出DiningBench，一个分层多视角基准，用于评估视觉语言模型在饮食领域感知与推理能力，包含3021种不同菜品，通过多视角输入和链式推理方法，揭示了当前VLM在细粒度视觉识别和营养推理上的不足。

Comments ACL 2026 Main

GeoTikzBridge: Advancing Multimodal Code Generation for Geometric Perception and Reasoning

GeoTikzBridge：推动多模态代码生成在几何感知与推理中的发展

Jiayin Sun, Caixia Sun, Boyu Yang, Hailin Li, Xiao Chen, Yi Zhang, Errui Ding, Liang Li, Chao Deng, Junlan Feng

机构 * JIUTIAN Research（九天研究院） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 本文提出GeoTikzBridge框架，通过基于tikz的代码生成提升局部几何感知和视觉推理能力，利用两个互补数据集训练模型，实现多模态大语言模型在几何问题解决中的先进性能。

Comments accepted by CVPR 2026

Cog3DMap: Multi-View Vision-Language Reasoning with 3D Cognitive Maps

Cog3DMap：基于3D认知地图的多视角视觉语言推理

Chanyoung Gwak, Yoonwoo Jeong, Byungwoo Jeon, Hyunseok Lee, Jinwoo Shin, Minsu Cho

机构 * POSTECH ； KAIST（韩国科学技术院） ； RLWRLD 纠错

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

AI总结 本文提出Cog3DMap框架，通过构建显式的3D记忆，使多视角图像中的每个token都具备语义和几何信息，从而提升多模态大语言模型的空间推理能力。

Comments Project Page: https://cog3dmap.github.io

Molecular Identifier Visual Prompt and Verifiable Reinforcement Learning for Chemical Reaction Diagram Parsing

分子标识视觉提示与可验证强化学习用于化学反应图解析

Jiahe Song, Chuang Wang, Yinfan Wang, Hao Zheng, Rui Nie, Bowen Jiang, Xingjian Wei, Junyuan Gao, Yubin Wang, Bin Wang, Lijun Wu, Jiang Wu, Qian Yu, Conghui He

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Beihang University（北京航空航天大学） ； Peking University（北京大学） ； South China Normal University（华南师范大学） 纠错

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

AI总结 本文提出IdtVP和Re3-DAPO方法，通过视觉提示和强化学习提升化学反应图解析的准确性和泛化能力，同时发布ScannedRxn基准数据集以评估模型鲁棒性。

Perception-Aware Multimodal Spatial Reasoning from Monocular Images

视感知-aware的多模态空间推理从单目图像

Yanchun Cheng, Rundong Wang, Xulei Yang, Alok Prakash, Daniela Rus, Marcelo H Ang, ShiJie Li

机构 * NUS, Singapore（新加坡国立大学） ； NTU, Singapore（新加坡国立大学） ； MIT, US（麻省理工学院） ； A*STAR, Singapore（新加坡科技研究局） 纠错

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

AI总结 本文提出了一种感知-aware的多模态推理框架，通过统一标记空间联合处理视觉证据和文本推理，提升单目图像空间推理的鲁棒性。

DeepSight: Bridging Depth Maps and Language with a Depth-Driven Multimodal Model

DeepSight: 通过深度驱动的多模态模型连接深度图与语言

Hao Yang, Hongbo Zhang, Yanyan Zhao, Bing Qin

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 DeepSight通过深度驱动的多模态模型提升三维场景理解，利用深度图像特性增强空间推理能力，并通过新数据集和模型改进实现了深度感知和任务性能的显著提升。