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。
保持符号投影布局：用于视觉-语言模型中以物体为中心的空间推理的符号投影布局
机构 * Kyung Hee University（庆熙大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SymPL通过将以物体为中心的空间推理转化为符号布局形式，提升视觉-语言模型在多视角场景下的推理性能和鲁棒性。
REVEALER: 基于强化引导的视觉推理的元素级文本-图像对齐评估
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 REVEALER通过强化引导的视觉推理实现元素级文本-图像对齐评估，提升模型对齐判断的可解释性和效率。
ReasonNavi: 人类启发的全局地图推理用于零样本具身导航
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Dartmouth College（达特茅斯学院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 ReasonNavi通过结合多模态大语言模型与确定性规划器，实现人类启发的全局地图推理，提供无需微调的零样本具身导航解决方案。
Comments 18 pages, 6 figures, Project page: https://reasonnavi.github.io/
GeoFusionLRM: 基于几何的自我校正以实现一致的3D重建
机构 * Bilkent University（比尔肯特大学） ； Adobe Research（Adobe研究）
专题命中 视觉空间推理 ：self-correction(title,abstract)
AI总结 GeoFusionLRM通过反馈几何信息提升单图像3D重建的几何精度与一致性
RAP: 3D 像素化增强端到端规划
机构 * EPFL（苏黎世联邦理工学院） ； Sorbonne Université（索邦大学）
专题命中 视觉空间推理 ：planning(title,abstract)
AI总结 RAP通过3D像素化增强端到端规划，利用轻量级像素化和特征对齐实现可扩展的数据增强，提升闭环鲁棒性和长尾泛化能力。
从透视描述预测相机姿态用于空间推理
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 CAMCUE通过姿态感知的多图像框架，从自然语言描述中准确预测相机姿态，提升多视角空间推理效率。
GIQ：基于模拟和真实多面体的3D几何推理视觉基础模型基准测试
机构 * Rice University（里士大学） ； The University of Queensland（昆士兰大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 GIQ通过模拟和真实多面体评估视觉基础模型的3D几何推理能力，揭示了现有模型在几何理解上的不足。
Comments Accepted to ICLR 2026. Camera ready version
Ground-R1: 通过强化学习激励基于地面的视觉推理
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； Sun Yat-sen University（中山大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 Ground-R1 通过 Scale Relative Policy Optimization 方法，解决 LVLM 在视觉证据 grounding 方面的偏差问题，提升推理准确性和证据 grounding 能力。
VIRAL: 通过类比在扩散变换器中实现视觉上下文推理
机构 * School of Data Science and Engineering, East China Normal University, Shanghai, China（数据科学与工程学院，东华大学，上海，中国） ； Alibaba Group, Hangzhou, China（阿里巴巴集团，杭州，中国）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 VIRAL通过类比和扩散变换器实现视觉上下文推理，解决视觉任务异质性问题，提升开放域编辑性能。
DWIM: 向工具感知的视觉推理迈进：通过差异感知的工作流生成与指令遮蔽微调
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 DWIM通过差异感知的工作流生成与指令遮蔽微调，提升工具感知的视觉推理性能。
Comments ICCV 2025
Journal ref In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) 2025
关系感知的层次3D场景图用于任务推理
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出了一种关系感知的层次3D场景图，结合视觉语言模型和大型语言模型，用于任务推理和环境交互。
Comments ICRA 2026, 8 pages
LongVPO：从锚定线索到自我推理的长视频偏好优化
机构 * State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； JIUTIAN Research（Jiutian研究） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 LongVPO通过两阶段直接偏好优化框架，利用合成数据和递归标注流程，在无需长视频标注的情况下实现高效长视频理解，优于现有开源模型并保持短视频性能。
Comments NeurIPS 2025
Med3D-R1: 促进3D医学视觉-语言模型的临床推理
机构 * School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（生物医学工程学院，生命科学与医学系，中国科学技术大学） ； Suzhou Institute for Advanced Research, University of Science and Technology of China（先进研究所，中国科学技术大学） ； Stanford University（斯坦福大学） ； Medical Business Department, iFlytek Co.Ltd（iFlytek公司医学业务部） ； The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine University of Science and Technology of China（中国科学技术大学第一附属医院，生命科学与医学系）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 Med3D-R1通过两阶段训练框架提升3D医学视觉-语言模型的临床推理能力，实现更准确的异常诊断。
DiVE-k：基于微细图像识别的差分视觉推理
机构 * University of Southern California（南加州大学） ； Meta
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 DiVE-k通过利用模型自身top-k预测作为训练信号，提升细粒度图像识别的差分推理能力，显著优于现有方法。
Comments ICLR 2026
平滑操作符：平滑可验证奖励激活视觉-语言模型的空间推理能力
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出平滑可验证奖励激活方法，通过平滑操作符和绝对保持GRPO框架提升视觉-语言模型对3D场景的理解能力，实现性能与数据效率的平衡。
VIPER Strike: 通过结构化视觉-语言推理击败视觉推理验证码
机构 * City University of Macau（澳门城市大学） ； CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 ViPer通过结构化视觉-语言推理框架，有效解决视觉推理验证码问题，实现高达93.2%的成功率，优于现有方法，同时提出TSR策略提升防御效果。
Comments Accepted by Usenix Security 2026
基于蓝图的思考：通过结构化物体表示协助视觉-语言模型进行空间推理
机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research, Asia（微软亚洲研究院） ； Tsinghua University（清华大学） ； University of Toronto（多伦多大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 通过结构化物体表示提升视觉-语言模型的空间推理能力，引入蓝图嵌入推理轨迹、蓝图意识奖励和反捷径数据增强技术。
Comments Preprint. Under review
从室内到开放世界：揭示MLLMs中的空间推理差距
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出了一种大规模基准测试，通过户外数据集揭示MLLMs在空间推理方面的不足，并证明其依赖语言先验而非真实视觉推理。
Comments Project page: https://mingrui-wu.github.io/openbench/
MAction-SocialNav: 通过推理增强的提示调优实现多动作社交合规导航
机构 * Graduate School of Information Science and Technology, Hokkaido University（信息科学与技术研究生院，北海道大学） ； Graduate School of Computer Science, George Mason University（计算机科学研究生院，乔治·梅森大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 MAction-SocialNav通过推理增强的提示调优实现多动作社交合规导航，提升决策质量与安全性，效率高于现有模型。
VisRes Bench: 关于评估视觉语言模型的视觉推理能力
机构 * Technology Innovation Institute, Abu Dhabi, UAE（阿布扎比技术创新研究所） ； Tuebingen AI Center/University of Tuebingen（图宾根人工智能中心/图宾根大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 VisRes Bench通过三个层次评估VLMs的视觉推理能力，揭示其在复杂任务中的局限性，并为多模态研究提供统一框架。
RemoteReasoner: 向统一地理空间推理流程迈进
机构 * COWARobot
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 RemoteReasoner通过强化学习实现统一地理空间推理流程，具备多粒度任务处理能力和自主推理能力。
GeoVista: 基于网络增强的代理视觉推理用于地理定位
机构 * Fudan University（复旦大学） ； Tencent Hunyuan（腾讯文元） ； Tsinghua University（清华大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 GeoVista通过整合图像缩放和网络搜索工具，提升地理定位任务的代理模型性能，实现优于开源模型的性能。
SNOW：基于世界知识的时空场景理解用于开放世界具身推理
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Esslingen University of Applied Sciences（埃斯林根应用科学大学） ； Dr. Ing. h.c. F. Porsche AG（德意志联邦汽车工业联合会） ； University of Michigan（密歇根大学） ； Voxel51 Inc.（Voxel51公司）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SNOW通过整合视觉语言模型与点云几何，实现统一的4D场景理解，提升开放世界具身推理的性能。
R4：在4D时空空间中为视觉语言模型引入检索增强推理
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Esslingen University of Applied Sciences（埃斯林根应用科学大学） ； Dr. Ing. h.c. F. Porsche AG（德意志联邦汽车工业协会） ； University of Michigan（密歇根大学） ； Voxel51 Inc.（Voxel51公司）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 R4通过构建4D时空知识库，使视觉语言模型具备结构化终身记忆，实现无需训练的检索增强推理，提升动态环境中的具身推理能力。
通过概率图增强视觉编程用于视觉推理
机构 * School of Computer Science and Engineering, Sun Yat-sen University（计算机科学与工程学院，中山大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 通过构建概率图解决视觉编程非可微问题，提升视觉推理任务的性能。
Comments 13 Pages, 12 figures
FoundationMotion: 自动标注与视频中空间运动的推理
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； UMich（密歇根大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 FoundationMotion通过自动数据整理管道生成大规模细粒度运动数据集，提升开源模型在运动理解与空间推理任务中的性能。
Comments Code is available at https://github.com/Wolfv0/FoundationMotion/tree/main
视图-图：通过场景图上的视觉-语言推理实现零样本3D视觉定位
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出视图-图方法，通过场景图上的视觉-语言推理实现零样本3D视觉定位，有效解决空间语义关系处理难题。
Tri-Bench：在相机倾斜和物体干扰下测试VLM在空间推理中的可靠性
机构 * Amit Bendkhale（独立研究者）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 Tri-Bench通过测试VLM在相机倾斜和物体干扰下的空间推理可靠性，揭示了模型在几何推理中的不足。
Comments 6 pages, 3 figures. Code and data: https://github.com/Amiton7/Tri-Bench. Accepted to the AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent)
SpatialDreamer: 通过主动心理意象激励空间推理
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫莫德·宾·扎耶德人工智能大学） ； Sun Yat-sen University（孙中山大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SpatialDreamer通过主动心理意象和几何策略优化，提升多模态大语言模型在复杂空间推理任务中的性能。
MMRPT：通过遮蔽视觉依赖推理的多模态强化预训练
机构 * SenseTime（秒速科技）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 MMRPT通过强化学习提升多模态预训练效果，利用视觉基础推理增强模型对视觉内容的理解能力。
Comments 7 pages, 1 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