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。
DiagramRAG：一个用于科学图表生成的轻量级检索增强框架
机构 * Beijing Institute of Technology（北京理工大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出DiagramRAG框架，通过检索与草图语义和拓扑结构兼容的参考图表，实现草图到科学图表的自动补全与生成。
Comments 23 pages, 9 figures
从语言输入角度重新思考视频-语言模型
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） ； Huazhong University of Science and Technology（华中科技大学） ； Wuhan University（武汉大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文从语言输入角度出发，提出一种即插即用的框架，通过生成正负文本、属性文本推理和自加权损失，提升视频-语言模型的性能。
Comments Published in AAAI 2026
EgoBench：面向工具使用智能体的交互式自我中心多模态基准
机构 * Ant Group（蚂蚁集团）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出EgoBench，首个交互式自我中心多模态基准，通过1045个自我中心视频任务和用户-智能体-工具交互环境，联合评估视觉感知、工具增强多跳推理和动态交互能力，揭示当前最先进模型性能上限（平均准确率19.43%）。
Comments 68 pages, 6 figures
如何以及想象什么？统一多模态模型中的视觉思维用于跨视角空间推理
机构 * Mila - Québec AI Institute（蒙特利尔AI研究所） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； ServiceNow AI Research（ServiceNow人工智能研究） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出View Dropout训练策略使模型利用中间思维图像进行跨视角空间推理，并发现全景视觉思维在信息性和可学习性上最优。
Comments Preprint
Touch-R1：在多模态大语言模型中强化触觉推理
机构 * Xiamen University（厦门大学） ； Great Bay University（大湾大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Daimon Robotics（达摩机器人）
专题命中 视觉推理 ：grounding(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 针对触觉推理中物理属性序数性和跨传感器分布偏移的挑战，提出基于触觉接地GRPO目标训练的Touch-R1模型，在TouchReason-Bench上平均性能超过Octopi-13B和GPT-4o。
Comments Our code and data will be made public on the https://laiyingxin2.github.io/Projects
SOLE-R1：视频语言推理作为机器人强化学习的唯一奖励
机构 * MIT（麻省理工学院） ； RAI Institute（机器人智能研究所）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出SOLE-R1模型，通过视频语言时空推理生成密集任务进度估计作为唯一奖励信号，实现在无真实奖励、演示或任务特定调优下的零样本在线强化学习。
GeoSolver: 利用细粒度过程监督扩展遥感中的测试时推理
机构 * College of Computer Science and Technology（计算机科学与技术学院） ； Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education Jilin University（教育部符号计算与知识工程重点实验室）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出GeoSolver框架，通过构建大规模过程监督数据集Geo-PRM-2M和训练过程奖励模型GeoPRM，结合过程感知树GRPO强化学习算法，实现遥感中可验证的逐步推理，在多个基准上达到最优性能并支持测试时扩展。
Comments Code: https://github.com/yourname/GeoSolver
MLLMs 能否超越语言进行推理？VisReason：一个面向视觉中心推理的综合基准
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出 VisReason 基准，包含 1505 个日常场景问题，评估多模态大模型在视觉中心推理上的表现，揭示人类与模型间的显著差距。
Comments Accepted by ACL 2026 Findings, resources released at https://github.com/CASIA-IVA-Lab/VisReason
FreeRet: 无需训练的多模态大语言模型检索器
机构 * Nanjing University（南京大学） ； Shanghai AI Lab（上海人工智能实验室） ； Shanghai Jiaotong University（上海交通大学） ； Institute of Science Tokyo（东京科学研究院） ； Zhejiang University（浙江大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 提出FreeRet框架，将现成的多模态大语言模型转化为无需额外训练的两阶段检索器，通过语义嵌入和重排序提升检索性能。
Comments ICML 2026
SPACENUM: 重新审视视觉语言模型中的空间数值理解
机构 * Northwestern（西北大学） ； UCSD（加州大学圣地亚哥分校） ； USC（南加州大学） ； GaTech（佐治亚理工学院）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.AI
AI总结 提出SpaceNum框架，通过Num2Space和Space2Num双向任务评估VLM在动态过渡和静态布局中对空间数值的理解，发现模型依赖浅层空间线索，难以建立稳定的坐标感知表示。
Comments Project page: https://sterzhang.github.io/SpaceNum-Home
4DThinker: 用4D图像进行动态空间理解的思考
机构 * Tsinghua University, SIGS（清华大学 SIGS） ； Meituan（美团） ； The Chinese University of Hong Kong（香港中文大学） ； National University of Singapore（新加坡国立大学） ； LMMs-Lab（LMMs实验室） ； 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(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出4DThinker框架，通过动态潜在心理图像（在连续隐藏空间中模拟场景演化）增强视觉语言模型的动态空间推理能力，并引入无标注数据生成、动态图像微调及4D强化学习，在多个基准上超越强基线。
Comments 21 pages, 16 figures
Pelican-Unify 1.0：一种用于理解和推理、想象和行动的统一具身智能模型
机构 * Beijing Innovation Center of Humanoid Robotics (X-Humanoid)（北京人形机器人创新中心（X-Humanoid））
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出Pelican-Unify 1.0，一种基于统一原则训练的首个具身基础模型，通过单一视觉语言模型作为统一理解模块，将场景、指令、视觉上下文和行动历史映射到共享语义空间，并通过统一推理模块生成任务、行动和未来导向的思维链，最终将隐藏状态投影到密集潜在变量中，再通过统一未来生成器生成未来视频和行动。
MotionMERGE: 一种用于人体动作编辑、推理、生成和解释的多粒度框架
机构 * Computer Vision Institute, School of Computer Science and Software Engineering, Shenzhen University（计算机视觉研究院，计算机科学与软件工程学院，深圳大学） ； Guangdong Key Laboratory of Intelligent Information Processing, Shenzhen University（广东省智能信息处理重点实验室，深圳大学） ； School of Computer Science, University of Nottingham Ningbo China（Nottingham Ningbo 中国计算机科学学院） ； Department of Electrical and Computer Engineering, National University of Singapore（电子与计算机工程系，新加坡国立大学） ； Department of Radiation Oncology, Stanford University（放射肿瘤科，斯坦福大学） ； Sun Yat-sen University（中山大学） ； School of Computer Science, University of Nottingham（计算机科学学院，Nottingham大学）
专题命中 视觉推理 ：grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出MotionMERGE框架，通过细粒度语言引导的动作控制、跨粒度协同预训练和细粒度动作-语言对齐，实现了更精确的动作生成、理解和编辑，并建立了新的细粒度文本驱动动作编辑和动作引导推理基准。
Key-Gram: 用于具身操作的可扩展世界知识
机构 * Department of Computer Science and Technology（计算机科学与技术系） ； Department of Automation（自动化系）
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；分类 cs.AI
AI总结 本文提出Key-Gram框架，通过分离语言知识与视觉状态推理，提升具身控制中对组合语言指令的理解和执行能力，主要贡献是引入可扩展的外部记忆模块以提高迁移和现实世界操作性能。
Comments 16 pages, 5 figures
GaussianZoom: 一种结合几何和语义引导的渐进式缩放生成3D高斯点云
机构 * State Key Lab of CAD & CG（计算机辅助设计与图形学国家重点实验室）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出GaussianZoom，一种结合几何一致场景建模和多尺度语义推理的生成式缩放3D重建系统，通过迭代渐进框架实现从低分辨率输入生成高保真的极端缩放渲染。
Comments 10 pages, 7 figures
基于高斯和范围的奖励优化的指称表达计数（REC-RL）
机构 * JIUTIAN Research, Beijing, China（京天研究，北京，中国）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出REC-RL框架，通过引入思考-范围-回答范式优化视觉推理过程，结合精度指导和结构化输出奖励，提升指称表达计数任务的性能和泛化能力。
Comments 5 pages
Skyra：通过 grounded artifact reasoning 实现 AI 生成视频检测
机构 * Department of Automation, Tsinghua University（清华大学自动化系）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文提出 Skyra，一种专门用于识别 AI 生成视频中人类可感知的视觉瑕疵的多模态大语言模型，通过这些瑕疵作为基础证据进行检测和解释，同时构建了首个大规模 AI 生成视频瑕疵数据集并提出两阶段训练策略。
Comments Camera Ready Version. Project Page: https://github.com/JoeLeelyf/Skyra
MemEye：一种以视觉为中心的多模态代理记忆评估框架
机构 * Rutgers（罗格斯大学） ； Notre Dame（圣母大学） ； Princeton（普林斯顿大学） ； UMN（明尼苏达大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 MemEye框架从视觉证据的粒度和证据使用的复杂性两个维度评估多模态代理记忆，通过8个生活场景任务构建新基准，验证记忆方法在细粒度视觉细节保留和时间状态推理上的不足。
Comments 46 pages, 15 figures
DocScope：可验证推理的可信长文档理解基准测试
机构 * School of Computer Science, National Engineering Research Center for Multimedia Software and Hubei Key Laboratory of Multimedia and Network Communication Engineering, Wuhan University, China（计算机学院，国家多媒体软件工程技术研究中心和湖北多媒体与网络通信工程重点实验室，武汉大学，中国） ； Alibaba Group, Hangzhou, China（阿里巴巴集团，杭州，中国） ； Independent Researcher（独立研究者） ； Department of Machine Learning, Mohamed bin Zayed University of Artificial Intelligence, United Arab Emirates（机器学习系，Mohamed bin Zayed人工智能大学，阿拉伯联合酋长国）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 DocScope通过结构化推理轨迹预测方法评估多模态大语言模型在长文档中的可验证推理能力，发现答案准确度无法替代轨迹级评估，且区域定位仍是薄弱环节。
Comments 50pages, 25 figures, 14 tables;
SciVQR：一个多学科多模态基准用于高级科学推理评估
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； OPPO AI Center（OPPO AI中心）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract_cn)；分类 cs.CV
AI总结 SciVQR通过54个学科的多模态任务评估科学推理能力，包含专家解答的复杂推理挑战，揭示了多模态大语言模型在复杂推理和跨学科整合方面的不足。
UniVLR: 统一文本与视觉的视觉潜在推理用于多模态大语言模型
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； Zhongguancun Academy（中关村学院）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 UniVLR提出一种统一的视觉潜在推理框架，将文本推理和辅助视觉证据视为共享的视觉工作空间，通过压缩统一表示提升多模态大语言模型的视觉推理效率。
多模态大语言模型中的视觉对齐潜在推理
机构 * Byungwoo Jeon ； Yoonwoo Jeong ； Hyunseok Lee ； Minsu Cho ； Jinwoo Shin
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出视觉对齐潜在推理框架，通过动态生成视觉对齐的潜在标记，提升多模态大语言模型在长上下文理解和精确视觉感知任务中的表现。
Comments Published as conference proceeding for ICML 2026. Last two authors advised equally
CheXTemporal：用于胸部X光影像中时间感知推理的数据集
机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； HOPPR ； University Hospital Zurich（苏黎世大学医院）
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 该研究提出CheXTemporal数据集，用于胸部X光影像中时间感知推理，包含前后X光片及时间空间标注，评估了多种视觉语言模型在零样本设定下的接地和进展分类任务，发现模型在空间接地和时间推理方面存在局限。
反射锚点用于长链多模态推理中的传播感知视觉保留
机构 * Shanghai Jiao Tong University（上海交通大学） ； Lanzhou University（兰州大学）
专题命中 视觉推理 ：grounding(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出RAPO方法，通过信息论分析优化视觉传播潜力和局部分支空间，提升长链多模态推理的视觉信息保留效果。
Comments Under Review
NICE FACT: 诊断和校准VLMs在运动物理定量推理中的能力
机构 * University of Munich (LMU)（慕尼黑大学（LMU）） ； Munich Center of Machine Learning（慕尼黑机器学习中心） ； Sichuan University（四川大学）
专题命中 视觉推理 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV
AI总结 本文研究VLMs在运动物理定量推理中的表现，提出NICE和FACT双诊断框架，分析视觉真实性、物理定律理解和时间定位，揭示模型在识别视觉前提和应用物理定律方面的不足。
SLQ：通过共享潜在查询桥接模态以实现冻结MLLMs的检索
机构 * School of Electronic Engineering, Beijing University of Posts（北京邮电大学电子工程学院） ； Xiaohongshu Inc., China（小红书公司）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 SLQ通过冻结MLLMs的主干，引入共享潜在查询提升多模态检索性能，实验显示其在多个基准上表现优异。
Comments Accepted to ICML-2026
简洁几何描述作为桥梁：释放LLM在平面几何问题求解中的潜力
机构 * Beihang University（北航大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出通过训练多模态大语言模型解释器生成几何描述，再利用通用LLM进行推理，以解决平面几何问题。通过设计CDL匹配奖励机制，提升生成几何描述的效率，并在新构建的Formalgeo7k-Rec-CoT数据集上验证了方法的有效性。
Comments CVPR 2026 Findings
Pest-Thinker: 通过强化学习学习像昆虫学家一样思考和推理
机构 * Institute of Intelligent Machines, Hefei Institute of Physical Science, Chinese Academy of Sciences（智能机器研究所、合肥物理科学研究所、中国科学院） ； University of Science and Technology of China（中国科学技术大学） ； Zhongke Hefei Institute of Technology Innovation Engineering（中科创新合肥科技研究院） ； Hefei University of Technology（合肥工业大学）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出Pest-Thinker框架，通过强化学习提升多模态大语言模型对害虫形态的细粒度理解，构建了两个高精度害虫基准数据集，并通过监督微调和GRPO优化提升模型在农业害虫识别中的表现。
Comments 10 pages, 5 figures
AstroAlertBench: 评估多模态大语言模型在天文学分类中的准确性、推理和诚实性
机构 * California Institute of Technology（加州理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Purdue University（普渡大学）
专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出AstroAlertBench，通过多阶段逻辑链评估多模态大语言模型在天文学事件分类中的性能，揭示高精度与模型诚实性之间的矛盾，并引入人机协同评估协议。
FoodCHA：多模态LLM代理用于细粒度食物分析
机构 * Department of Computer Science and Engineering（计算机科学与工程系）
专题命中 视觉推理 ：vision-language model(abstract)；vision language model(abstract)；分类 cs.AI
AI总结 本文提出FoodCHA，一种多模态代理框架，通过分层决策过程提升食物识别的细粒度属性区分能力，实验显示其在类别和子类识别精度上优于现有模型。
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