AI 大模型
大模型数学、逻辑、规划、多步推理和测试时计算能力。
EventPrune: 用于高效第一人称动态空间推理的级联事件辅助标记修剪
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出Event Cascade Pruning (ECP)，一种无需训练的框架，利用事件相机的高频运动线索作为连续事件引导的运动先验，指导标记选择，从而在第一人称动态空间推理中实现高效的标记修剪，提升推理速度和减少计算量。
协同视见：基于多模态大语言模型的多机器人协作自体空间推理
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Hunan University（湖南大学） ； University of Oxford（牛津大学） ； Zhejiang University（浙江大学） ； ETH Zurich（苏黎世联邦理工学院） ； Ant Group（蚂蚁集团）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文研究了多机器人协作动态空间推理问题，提出了首个针对该任务的基准CoopSR以及多机器人自体问答数据集EgoTeam，通过引入SP-CoR框架实现了细粒度的协作空间推理，显著提升了多机器人协作推理性能。
超越定位：从全景图像中对MLLMs的视角条件空间推理进行综合诊断
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Guangzhou University（广州大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； HKUST(Guangzhou)（香港科技大学（广州））
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文研究了多模态大语言模型（MLLMs）在视角变化下的空间推理能力，提出了PCSR-Bench基准测试，评估了14种代表性MLLMs在不同任务上的表现，揭示了空间推理能力的显著差距，并探讨了通过强化学习进行优化的可能性。
Comments 10pages, 4 figures
基于几何的思考：用于空间推理的主动几何整合
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）
专题命中 视觉空间推理 ：reasoning(title,abstract)
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。
基于视觉的强化学习用于视觉推理
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出ViGoRL，通过强化学习实现视觉推理，通过空间坐标锚定推理步骤，提升视觉定位和搜索性能，优于传统方法。
Comments Project website: https://visually-grounded-rl.github.io/
GraphThinker: 通过事件图思维强化时间感知的视频推理
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Samsung AI Centre Cambridge（剑桥三星人工智能中心） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出GraphThinker，通过构建结构化事件表示并强化视觉 grounding，减少视频推理中的时间幻觉。在RexTime和VidHalluc数据集上取得显著提升。
Comments Under review
SpatialReward: 通过显式空间推理弥合在线强化学习中图像编辑的感知差距
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生学院，清华大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出SpatialReward，通过显式空间推理提升在线强化学习中图像编辑的感知准确性，其在MMRB2和EditReward-Bench上表现优异，并在MultiEditReward-Bench上超越专用评估器。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
基于推理的编辑：基于假设指令的图像编辑与视觉推理
机构 * Tencent Youtu Lab（腾讯云图实验室） ； Sichuan University（四川大学） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出Reason50K数据集和ReasonBrain框架，通过多模态大语言模型和扩散模型实现复杂隐含指令的图像编辑，提升视觉推理能力。
Comments Accepted by ICML2026
GeoR-Bench：评估地质学视觉推理
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing University of Technology（北京理工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 GeoR-Bench通过推理引导的视觉编辑任务评估地质学视觉推理，包含440个样本涵盖6类地质学领域和24种任务类型，揭示地质学推理仍是关键瓶颈。
CoLVR: 通过对比优化增强探索性潜在视觉推理
机构 * Shandong University（山东大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanjing University（南京大学） ； The University of Hong Kong（香港大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 CoLVR通过引入潜在对比训练框架，利用角度扰动引导学习多样化且探索性的表示，提升潜在视觉推理的探索能力，在VSP和Jigsaw任务中分别提升5.83%和8.00%。
Med-StepBench：一种用于评估医学视觉-语言模型幻觉的分层推理框架
机构 * AI4LIFE, Hanoi University of Science and Technology, Vietnam（AI4LIFE，越南科学与技术大学） ； SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris, France（SAMOVAR，法国电信南巴黎学院，巴黎理工学院） ； Military Central Hospital, Vietnam（越南108军中心医院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出Med-StepBench，首个针对3D肿瘤PET/CT图像的分步幻觉检测基准，通过12000张图像和100万对图像-陈述数据，揭示了现有VLMs在多步临床推理中的系统性缺陷。
Comments Accepted at IJCAI-ECAI 2026
LCGNav: 本地候选感知的几何增强以实现连续环境中的通用拓扑规划
机构 * The Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing（中国科学院航空航天信息研究所，北京） ； The School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing（中国科学院大学电子电气与通信工程学院，北京） ； The Department of Computer Science, City University of Hong Kong, Hong Kong, SAR, China（香港城市大学计算机科学系，香港特别行政区，中国）
专题命中 视觉空间推理 ：planning(title,abstract)
AI总结 LCGNav通过本地几何增强框架解决连续环境视觉语言导航中局部深度信息冗余和候选前沿关注不足的问题，提升拓扑规划性能。
结构优先于规模：从教育视频中学习视觉推理
机构 * Northeastern University（东北大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出SoSVQA基准，利用教育视频中的结构化推理轨迹提升视觉语言模型的推理能力，通过GRPO优化在少量数据下实现显著性能提升。
SpatialStack：用于3D VLM空间推理的分层几何-语言融合
机构 * XMU（厦门大学） ； UCLA（美国大学） ； Google（谷歌） ； UW-Madison（威斯康星大学麦迪逊分校） ； TAMU（德克萨斯农工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出SpatialStack框架，通过分层融合视觉、几何和语言表征，提升3D空间推理能力，实验表明其在多个基准上表现优异。
Comments CVPR 2026, Project Website: https://spatial-stack.github.io/
World2VLM: 将世界模型的想象能力蒸馏到VLM中以实现动态空间推理
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） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Wuhan AI Research（武汉人工智能研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出World2VLM框架，通过蒸馏生成式世界模型的空间想象能力到VLM中，提升动态空间推理性能，优于基线模型和测试时世界模型耦合方法。
Comments The code is available at https://github.com/WanyueZhang-ai/World2VLM. The dataset is available at https://huggingface.co/datasets/WanyueZhang/World2VLM
VLM-VPI：一种用于改进自动驾驶车辆-行人交互的视觉语言推理框架
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出VLM-VPI框架，结合多模态感知、视觉场景理解和意图推理，提升自动驾驶中行人意图识别和安全控制，实验证明其在安全性和效率上的提升。
Comments 40 pages, 7 figures, 10 tables
通过几何参考的3D场景表示提升MLLM空间推理能力
机构 * Zillow Group（智域集团）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出几何参考3D场景表示GR3D，使MLLM能利用语言能力处理3D空间，无需额外训练，在空间推理基准中提升GPT-5性能9%和12%。
DextER：基于语言的灵巧抓取生成与具身推理
机构 * Pohang University of Science and Technology（釜山科学技术大学） ； RLWRLD
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 DextER通过具身推理生成灵巧抓取，结合任务语义与物理约束，提升抓取成功率与意图对齐度。
Comments CVPR 2026, Project page: https://junha-l.github.io/dexter/
通过工具监督强化学习进行视觉推理
机构 * Northeastern University（东北大学） ； Amazon AGI（亚马逊人工智能研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出工具监督强化学习框架，通过简单可解释的视觉工具提升多模态大语言模型的复杂视觉推理能力，实验表明其高效且具备强大工具使用能力。
Comments Accepted to CVPR 2026 Findings. 17 pages
视角运动：层次推理与扩散用于中心视觉-语言运动生成
机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology (ICT), Chinese Academy of Sciences (CAS)（智能信息处理重点实验室，计算技术研究所（ICT），中国科学院（CAS）） ； Jilin University (JLU)（吉林大学（JLU）） ； Beijing University of Posts and Telecommunications (BUPT)（北京邮电大学（BUPT）） ； University of the Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出EgoMotion框架，通过层次推理和扩散模型生成基于第一视角视觉和语言指令的3D人类运动，解决语义推理与运动建模的协同优化问题，提升多模态接地和运动质量。
Comments 12 pages, 3 figures
弥合语义与几何：一种解耦的LVLM-SAM框架用于光学遥感中的推理分割
机构 * School of Electronic Engineering, Xidian University, Xi'an, Shaanxi 710071, China（西安电子科技大学电子工程学院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出解耦的LVLM-SAM框架，通过结构化几何提示优化，提升光学遥感中推理分割的性能，实现语义与几何的结合。
TagaVLM：面向视觉语言导航的拓扑感知全局动作推理
机构 * School of Information Science and Technology, Beijing University of Technology, China（信息科学与技术学院，北京理工大学，中国） ； Imperial College London, U.K.（伦敦帝国理工学院，英国）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 TagaVLM通过引入拓扑结构增强视觉语言模型，提升空间推理能力，在R2R基准中取得最佳性能，优于现有方法。
AVRT：通过单模态教师模型实现音频-视觉推理迁移
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）
专题命中 视觉空间推理 ：reasoning(title,abstract)
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。
倾听、暂停与推理：迈向基于感知的混合推理以实现音频理解
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； CUHK MMLab（香港中文大学多媒体实验室） ； Fudan University（复旦大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出HyPeR框架，通过感知-推理混合方法提升音频理解能力，通过PAQA数据集训练模型并引入PAUSE标记和一致性奖励，实验表明其在复杂音频场景中表现优异。
SIRI-Bench: 通过复杂推理任务挑战VLMs的空间智能
机构 * Sun Yat-sen University（中山大学） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东大数据分析与处理重点实验室） ； X-Era AI Lab（X-Era人工智能实验室）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SIRI-Bench通过空间接地推理任务评估VLMs的空间结构智能，包含9000个视频问题答案三元组，实验表明先进VLMs在结构空间推理上面临挑战。
Comments 20 pages, 11 figures
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
专题命中 视觉空间推理 ：reasoning(title,abstract)
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。
MASS：面向视觉-语言模型中物理推理与理解的运动感知空间-时间 grounding
机构 * University of Maryland（马里兰大学） ； Dolby Laboratories（杜比实验室） ； University of Southern California（南加州大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 MASS通过引入空间-时间信号提升视觉-语言模型对物理现象的理解能力，提出MASS-Bench基准测试集并验证模型在物理推理中的优越性能。
CT-1：视觉-语言-相机模型将空间推理知识转移到相机可控的视频生成
机构 * Fudan University（复旦大学） ； Tencent（腾讯） ； Xiamen University（厦门大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出CT-1模型，通过准确估计相机轨迹将空间推理知识转移到视频生成中，利用小波正则化损失和视频扩散模型提升相机控制精度，实验显示其生成的视频质量高且控制准确率提升25.7%。
基于VLM引导的语义-几何推理的任务感知双臂 affordance 预测
机构 * Department of Computer Science, Technical University of Darmstadt（达姆施塔特工业大学计算机科学系） ； German Research Center for AI (DFKI)（德国人工智能研究中心） ； Centre for Cognitive Science, Technical University of Darmstadt（达姆施塔特工业大学认知科学中心） ； Hessian Center for Artificial Intelligence (Hessian.AI), Darmstadt（黑森州人工智能中心） ； Robotics Institute Germany (RIG)（德国机器人研究所）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出一种任务感知双臂 affordance 预测框架，通过VLM实现跨物体类别和任务描述的泛化，融合多视角RGB-D数据生成全局6自由度抓取候选，结合语义和几何过滤提升任务成功率。
Brain3D: 通过多模态推理实现EEG到3D视觉表示的解码
机构 * Università Politecnica delle Marche（马尔凯理工大学） ； University of Macerata（马切拉塔大学） ； Horizon Intelligence Labs（地平线智能实验室） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出Brain3D，通过多模态推理实现EEG到3D解码，分阶段生成3D网格，提升神经解码的几何理解与应用性。
Comments 17 pages, 2 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