大模型推理能力

Bilateral Spatial Reasoning about Street Networks: Graph-based RAG with Qualitative Spatial Representations

双重视觉推理关于街道网络：基于图的RAG与定性空间表示

Reinhard Moratz, Niklas Daute, James Ondieki, Markus Kattenbeck, Mario Krajina, Ioannis Giannopoulos

专题命中 视觉空间推理 ：reasoning(title)；分类 cs.AI

AI总结 本文提出一种基于图的RAG方法，利用定性空间表示提升LLM在行人导航中的路线指引能力。

3DLLM-Mem: Long-Term Spatial-Temporal Memory for Embodied 3D Large Language Model

3DLLM-Mem: 长期空间-时间记忆用于具身3D大语言模型

Wenbo Hu, Yining Hong, Yanjun Wang, Leison Gao, Zibu Wei, Xingcheng Yao, Nanyun Peng, Yonatan Bitton, Idan Szpektor, Kai-Wei Chang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 3DLLM-Mem通过引入动态内存管理和融合模型，提升LLMs在复杂3D环境中的长期空间-时间记忆推理与行动能力。

Comments demos at: https://3dllm-mem.github.io

Generative Urban Flow Modeling: From Geometry to Airflow with Graph Diffusion

生成性城市风场建模：从几何到气流的图扩散

Francisco Giral, Álvaro Manzano, Ignacio Gómez, Petros Koumoutsakos, Soledad Le Clainche

机构 * Applied Mathematics Department, ETSIAE-School of Aeronautics, Universidad Politécnica de Madrid（应用数学系、ETSIAE航空学院、马德里理工大学） ； Microflown Technologies（Microflown技术公司） ； Computational Science and Engineering Laboratory, Harvard University（计算科学与工程实验室、哈佛大学） 纠错

专题命中 视觉空间推理 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种基于图扩散的生成模型，用于在非结构化网格上合成城市风场，通过结合层次图神经网络和分数扩散建模，实现对复杂几何形状的高效风场模拟与预测。

VLIC: Vision-Language Models As Perceptual Judges for Human-Aligned Image Compression

VLIC: 基于视觉-语言模型的人类对齐图像压缩感知判官

Kyle Sargent, Ruiqi Gao, Philipp Henzler, Charles Herrmann, Aleksander Holynski, Li Fei-Fei, Jiajun Wu, Jason Zhang

机构 * Stanford University（斯坦福大学） ； Google Research（谷歌研究） ； Google DeepMind（谷歌DeepMind） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 VLIC利用视觉-语言模型进行图像压缩，通过零样本推理实现人类感知对齐，提升压缩性能。

Comments 14 pages, 8 figures

History-Enhanced Two-Stage Transformer for Aerial Vision-and-Language Navigation

基于历史增强的双阶段变压器用于空域视觉与语言导航

Xichen Ding, Jianzhe Gao, Cong Pan, Wenguan Wang, Jie Qin

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出HETT框架，通过粗到细的导航流程整合全局环境推理与局部场景理解，提升无人机在大规模城市环境中基于语言指令的导航性能。