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。
深度学习在几何问题求解中的应用综述
机构 * Renmin University of China（中国人民大学）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文综述了深度学习在几何问题求解中的应用，涵盖相关任务、方法、评估指标及未来方向，旨在提供实践参考以推动该领域发展。
Comments ACL 2026 Main Conference
RynnBrain 1.1：迈向更具能力和通用性的具身基础模型
机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（湖畔实验室）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 介绍RynnBrain 1.1具身基础模型家族，其经统一框架训练，相比1.0版本有改进。开发RynnBrain - VLA并部署。该模型在多方面成果显著，初始化策略表现优，联合训练提升了得分和成功率。
Comments KL,BH,MZ,TZ,ZC,ZW,SL,XL,XL,BY,MZ,JL,RD contribute equally. Project Lead: Kehan Li and Xin Li project: https://alibaba-damo-academy.github.io/RynnBrain github: https://github.com/alibaba-damo-academy/RynnBrain huggingface: https://huggingface.co/collections/Alibaba-DAMO-Academy/rynnbrain-11 modelscope: https://modelscope.cn/collections/DAMO_Academy/RynnBrain-11
CinemaTraj：用LLM智能体为3D场景合成原子相机轨迹
机构 * Technical University of Munich（慕尼黑工业大学） ； Huawei Dresden Research Center（华为德累斯顿研究中心）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 CinemaTraj是将LLM智能体与3D场景图结合的框架，可从自然语言生成带旁白的3D场景相机轨迹，在真实环境中优于现有方法。
Comments 17 pages, including 8-page main paper, references, and supplementary material; project page: https://cinematraj.github.io/
G2-Nav：用于机器人社交导航的基于视觉语言的地面与防护代价地图
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 研究针对机器人社交导航问题，提出G2-Nav框架，将VLM语义推理转化为视觉语言代价地图，经开放集感知评估区域和代理，结合语义验证与高频安全检查，实现非结构化环境下安全、高效且符合社会规范的自主导航。
Comments submitted
用于动态视觉语言导航的从慢速推理器到快速规划器的逐令牌潜在流
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 针对动态视觉语言导航中语言推理慢与规划需即时的矛盾，提出SPARK-VLN双系统框架，通过三个模块将慢速VLM推理器知识流到快速规划器，引入新基准套件，提高了导航成功率、社会合规性及推理效率。
EmbodiedDiffusion：用于异构机器人导航的端到端可通行性引导视觉扩散
机构 * Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology（智能空间机器人实验室，数字工程中心，斯克尔科沃科学与技术研究所）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 针对自主导航中视觉可通行性估计问题，EmbodiedDiffusion框架利用无规划器合成监督等，同时预测可通行性地图与生成可行轨迹，经训练提炼语义到轻量级模型，能快速适应新平台，在多机器人室内环境中实现高效导航与轨迹生成。
Comments This work has been submitted for publication and is currently under review
DM-KG：一种提升街景图像中视觉语言模型空间认知的新方法
机构 * Institute of Surveying and Mapping, Information Engineering University（信息工程大学测绘学院） ； Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）
专题命中 视觉空间推理 ：reasoning(abstract)；logical reasoning(abstract)
AI总结 研究针对视觉语言模型在街景图像空间认知方面的不足，提出DM-KG框架，通过提取实体关系、结合全景分割与深度估计计算坐标并编码知识图，有效提升模型空间推理准确性，降低误差，为地理视觉问答提供新框架。
SpaceDrive: 在基于视觉语言模型的自动驾驶中引入空间感知
机构 * Mercedes-Benz AG（梅赛德斯-奔驰集团） ； University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； TU Munich（慕尼黑工业大学） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； University of Stuttgart（斯图加特大学） ； UCLA（加州大学洛杉矶分校）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 本文提出SpaceDrive框架，通过将空间信息作为显式位置编码来增强基于VLM的自动驾驶系统对精细3D空间关系的理解，从而提升规划精度和开放环性能。
基于强化学习的目标导航方法中什么重要？实证研究与统一框架
机构 * Computer Vision and Geometry Group, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机视觉与几何组） ； Robotics and Perception Group, University of Zurich, Switzerland（苏黎世大学机器人与感知组） ； Robotic Systems Lab, ETH Zurich, Switzerland（苏黎世联邦理工学院机器人系统实验室） ； Princeton Robotic Intelligence and SysteMs group, Princeton University, USA（普林斯顿大学机器人智能与系统组） ； Microsoft, Switzerland（微软公司）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 研究目标导航中基于强化学习方法各组件影响，通过分解导航管道为感知、策略和测试时增强三组件进行实证研究，引入统一框架，构建增强系统达领先性能，提供见解与建议，凸显当前智能体与人类导航差距。
CoMind：从多视角理解人类协作活动
机构 * ETH Zurich（苏黎世联邦理工学院） ； MPI for Informatics（马克斯·普朗克信息研究所） ； Microsoft Switzerland（微软瑞士公司） ； TU Munich（慕尼黑工业大学）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 研究旨在填补人类协作认知过程研究空白，引入CoMind数据集，整合多模态数据并标注，建立相关基准，有助于开发和评估能建模复杂社会互动及推理人类行为的AI系统。
Comments Accepted to ECCV 2026
PixelPilot：用于端到端自动驾驶的可扩展视觉-语言-动作模型
机构 * MoE Key Lab of Artificial Intelligence, Institute of AI, Shanghai Jiao Tong University（教育部人工智能重点实验室，上海交通大学人工智能研究院） ； Central Research Institute, Huawei（华为中央研究院）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 针对现有视觉-语言-动作模型在自动驾驶场景中数据可扩展性有限等问题，提出PixelPilot，采用解耦规划和提升范式，通过知识灌输策略学习，提升了模型性能。
Comments Accepted by ECCV 2026
ACE-Brain-0.5：用于物理智能体人工智能的统一具身基础模型
机构 * ACE-Brain Team（ACE-Brain团队）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 研究针对具身人工智能从模块向物理智能体发展的问题，提出ACE-Brain-0.5统一基础模型，通过耦合的五个功能及SSR+等方法，提升空间感知等能力，在多基准测试中有进步。
潜在噪声掩码：减少多模态大语言模型中的视觉冗余
机构 * School of Artificial Intelligence, OPtics and ElectroNics (iOPEN), Northwestern Polytechnical University（人工智能学院、光学和电子学（iOPEN）、西北工业大学） ； Institute of Artificial Intelligence, China Telecom (TeleAI)（人工智能研究院、中国电信（TeleAI）） ； Fudan University（复旦大学） ； The University of Hong Kong（香港大学）
专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)
AI总结 提出Lens框架，通过轻量级LET令牌为视觉令牌评分，并注入自适应噪声抑制低相关令牌，在不改变模型结构的情况下提升多模态推理性能。
Comments 21 pages, 7 figures;
E3VS-Bench：一个用于3D高斯散射场景中视角依赖主动感知的基准
机构 * The University of Tokyo, Japan（东京大学） ； National Institute of Informatics, Japan（日本信息处理学会） ； The University of Osaka, Japan（大阪大学） ； Advanced Telecommunications Research Institute International, Japan（国际先进电信研究机构）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 E3VS-Bench通过5自由度视角控制，评估在真实3D环境中视角依赖现象的主动感知能力，测试模型在多视角探索中的表现。
Comments Project page: https://k0uya.github.io/e3vs-proj/
基于闭环VLM代理的文本引导的6D物体姿态重排
机构 * Seoul National University RLWRLD（首尔大学 RLWRLD）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 本文提出通过闭环VLM代理实现文本引导的6D物体姿态重排，引入多视角推理、坐标系可视化和单轴旋转预测等技术，提升VLM在3D场景中推理目标物体姿态的能力，且在不同VLM上均有效。
OLiVia-Nav: 一种面向移动机器人社交导航的在线终身视觉语言方法
机构 * University of Toronto（多伦多大学）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 OLiVia-Nav通过融合视觉语言模型与在线终身学习框架，实现机器人社交导航中的社会规范适应与动态轨迹规划，优于现有方法。
PAIWorld: 用于机器人操作的三维一致世界基础模型
机构 * Institute of AI for Industries, Chinese Academy of Sciences（中国科学院人工智能产业研究院）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 提出PAIWorld框架，通过几何感知交叉注意力、几何旋转位置编码和潜在3D-REPA蒸馏，解决多视图世界模型的3D不一致问题，在机器人操作基准上取得领先性能。
OmniSpace: 自动驾驶多模态大语言模型的高效几何感知
机构 * University of Arkansas（阿肯色大学） ； Google Research, Google（谷歌研究院） ； University of Liverpool（利物浦大学） ； Max Planck Research School for Intelligent Systems（马克斯·普朗克智能系统研究所）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 提出OmniSpace，一种即插即用的几何感知范式，通过相机位姿注入器、多视图极线注意力模块和3D几何蒸馏目标，从纯2D观测中提升MLLM的空间推理能力，在多个自动驾驶基准上超越现有方法。
SAGE: 一种用于智能体大语言模型中高效记忆演化的新颖门控机制
机构 * Duke University（杜克大学）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出SAGE门控机制，基于von Mises-Fisher密度估计和自适应阈值，将记忆写入控制建模为新奇性检测问题，在LoCoMo上以更低成本实现最优token-F1。
流形赌博机：大语言模型潜在几何上的贝叶斯课程学习
机构 * University of California, San Diego（加州大学圣迭戈分校）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出贝叶斯流形课程（BMC）框架，将问题采样建模为流形结构赌博机问题，通过层次任务树和贝叶斯学习引导采样，平衡学习信号、多样性和实用性。
Comments Webpage: https://darrienmckenzie.com/manifold-bandits/
基于蒸馏视觉语言可靠性的引导扩散用于空中导航
机构 * University of California, 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(abstract)；planning(abstract)
AI总结 提出一种可靠性感知的扩散规划器，通过蒸馏视觉语言模型生成场景级可靠性热图，引导去噪过程处理不可靠区域，显著降低无人机导航中的障碍物违反率并提高区域可靠性。
GAE: 利用可泛化动作专家释放VLM的物理潜力
机构 * University of California, 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(abstract)；planning(abstract)
AI总结 提出通用动作专家（GAE），通过稀疏几何接口将VLM的高层意图转化为连续动作轨迹，采用动作预训练-点云微调（APPF）方案解耦动作动力学与几何基础，实现跨视觉域、视角和指令的强泛化。
先组织再检索：面向高效智能体的层次化记忆导航
机构 * Duke University（杜克大学） ； Snowflake AI Research（Snowflake AI研究）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出HORMA框架，通过构建文件系统式的层次化记忆结构并利用强化学习训练的轻量级导航代理，实现高效检索，在长时任务中提升性能并降低令牌消耗。
PIGEON: 通过兴趣点选择的VLM驱动物体导航
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院） ； Peking University（北京大学） ； 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 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)
AI总结 提出PIGEON框架，将物体导航建模为基于原始观测的稀疏决策问题，通过兴趣点（PoI）作为视觉决策单元，结合VLM选择关键点，实现零样本SOTA性能并迁移至主动具身问答。
SciFlow-Bench：通过逆解析评估结构感知的科学图表生成
机构 * Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Huawei Cloud BU（华为云业务部） ； Zhongguancun Academy（中关村学院） ； Beijing Key Laboratory of Data Intelligence and Security (Peking University)（北京数据智能与安全重点实验室（北京大学））
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 提出SciFlow-Bench基准，通过逆解析将生成的图表图像转换为结构化图进行比较，以结构可恢复性而非视觉相似性评估科学图表生成。
BEACON: 面向大语言模型跨模型幻觉检测的行为熵聚合
机构 * LLM Lens
专题命中 视觉空间推理 ：chain-of-thought(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出BEACON框架，通过多维度行为特征（语义熵、嵌入几何、思维链一致性、释义稳定性）的黑盒检测方法，在7个基准上达到0.8123 AUROC，优于现有方法。
Comments 12 pages, 6 tables, 1 figure. Code and data available upon request
SleepWalk：一种三层压力测试基准，用于指导的视觉-语言导航
机构 * Indian AI Research Organization (IAIRO)（印度人工智能研究组织） ； ĸragya Lab, BITS Pilani Goa（BITS Pilani Goa 的 ĸragya 实验室） ； University of Dhaka（达卡大学） ； Delhi Technological University（德里技术大学） ； Apple（苹果公司） ； Meta
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 本文提出SleepWalk基准，用于评估基于指令的轨迹预测，针对局部化、交互导向的具身推理，揭示当前VLM在空间推理中的系统性失败。
文本监督增强视觉-语言模型中的地理空间表示
机构 * University of São Paulo（圣保罗大学） ； National University of Singapore（新加坡国立大学）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 研究视觉、视觉-语言及多模态模型的地理空间表示能力，发现文本监督能有效提升空间编码，推动地理空间AI发展。
Comments Accepted at ICML 2026
ShotCrop$^3$：将人物中心图像裁剪为电影级三镜头构图
机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； Sun Yat-sen University（中山大学）
专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)
AI总结 提出三镜头构图任务，通过三阶段训练流程（思维链微调、半监督微调和组相对策略优化）从单张人物中心图像生成远景、中景和特写三张裁剪图，并附带简短描述，以支持视觉叙事。
3DThinkVLA：通过3D思维引导的协同训练赋予视觉-语言-动作模型潜在3D先验
机构 * Shanghai Jiao Tong University（上海交通大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Daimon Robotics（达梦机器人） ； Great Bay University（大亚大学）
专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)
AI总结 提出3D思维引导的协同训练框架，通过解耦3D几何感知与空间推理并在不同特征层次注入，使VLA模型在动作预测中隐式进行3D空间推理，无需3D传感器或外部模型，在多个基准上达到最优性能。
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