大模型推理能力

SysNav: Multi-Level Systematic Cooperation Enables Real-World, Cross-Embodiment Object Navigation

SysNav：多级系统性合作实现现实世界跨载体物体导航

Haokun Zhu, Zongtai Li, Zihan Liu, Kevin Guo, Zhengzhi Lin, Yuxin Cai, Guofei Chen, Chen Lv, Wenshan Wang, Jean Oh, Ji Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 SysNav通过多级系统性合作实现现实世界跨载体物体导航，提升复杂环境下的导航效率与成功率。

LaViRA: Language-Vision-Robot Actions Translation for Zero-Shot Vision Language Navigation in Continuous Environments

LaViRA: 语言-视觉-机器人动作翻译用于连续环境中的零样本视觉语言导航

Hongyu Ding, Ziming Xu, Yudong Fang, You Wu, Zixuan Chen, Jieqi Shi, Jing Huo, Yifan Zhang, Yang Gao

机构 * School of Computer Science, Nanjing University（南京大学计算机科学学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 LaViRA通过分解动作层次结构，利用多模态大语言模型的优势，实现连续环境中零样本视觉语言导航的高效导航与泛化能力。

Comments ICRA 2026

MLLM-4D: Towards Visual-based Spatial-Temporal Intelligence

MLLM-4D: 向基于视觉的空间-时间智能迈进

Xingyilang Yin, Chengzhengxu Li, Jiahao Chang, Chi-Man Pun, Xiaodong Cun

机构 * University of Macau（澳门大学） ； Xi'an Jiaotong University（西安交通大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； GVC Lab, Great Bay University（大湾大学GVC实验室） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；CoT(abstract)

AI总结 MLLM-4D通过改进的数据筛选和训练策略，实现了从2D输入中强大的空间-时间理解和推理能力。

Global Commander and Local Operative: A Dual-Agent Framework for Scene Navigation

全局指挥官与局部执行者：一种双智能体框架用于场景导航

Kaiming Jin, Yuefan Wu, Shengqiong Wu, Bobo Li, Shuicheng Yan, Tat-Seng Chua

机构 * National University of Singapore（新加坡国立大学） ； Simon Fraser University（西蒙弗雷泽大学） ； University of Oxford（牛津大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 DACo提出双智能体框架，通过解耦全局推理与局部执行，提升复杂环境中长时序导航的稳定性和性能。

Comments 18 pages, 9 figures

One Agent to Guide Them All: Empowering MLLMs for Vision-and-Language Navigation via Explicit World Representation

一个引导所有代理：通过显式世界表示增强多模态大语言模型用于视觉-语言导航

Zerui Li, Hongpei Zheng, Fangguo Zhao, Aidan Chan, Jian Zhou, Sihao Lin, Shijie Li, Qi Wu

机构 * Australian Institute for Machine Learning, Adelaide University（澳大利亚机器学习研究所，阿德莱德大学） ； The University of Manchester（曼彻斯特大学） ； Zhejiang University（浙江大学） ； Agency for Science, Technology and Research (A*STAR)（科技研究局（A*STAR）） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 通过显式世界表示增强多模态大语言模型，实现视觉-语言导航的解耦框架，提升导航性能与现实应用能力。

Zooming without Zooming: Region-to-Image Distillation for Fine-Grained Multimodal Perception

无需缩放：用于细粒度多模态感知的区域到图像蒸馏

Lai Wei, Liangbo He, Jun Lan, Lingzhong Dong, Yutong Cai, Siyuan Li, Huijia Zhu, Weiqiang Wang, Linghe Kong, Yue Wang, Zhuosheng Zhang, Weiran Huang

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Zhongguancun Academy（中关村学院） ； Shanghai Innovation Institute（上海创新研究院） 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 本文提出区域到图像蒸馏方法，通过训练时间内化代理缩放能力，提升细粒度多模态感知性能。

Can Large Audio Language Models Understand Audio Well? Speech, Scene and Events Understanding Benchmark for LALMs

大音频语言模型能理解音频吗？LALMs的语音、场景和事件理解基准

Han Yin, Jung-Woo Choi

机构 * School of Electrical Engineering, KAIST, Daejeon, Republic of Korea（韩国成均馆大学电气工程学院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)

AI总结 本文提出SSEU-Bench，首个考虑语音与非语音音频能量差异的音频理解基准，通过链式思维提升LALMs在联合理解任务中的性能。

Comments Accepted by ICASSP 2026

City Navigation in the Wild: Exploring Emergent Navigation from Web-Scale Knowledge in MLLMs

城市真实环境中的导航：探索从大规模知识中涌现的导航

Dwip Dalal, Utkarsh Mishra, Narendra Ahuja, Nebojsa Jojic

专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)

AI总结 本文提出稀疏关联视觉导航任务，通过CityNav基准评估MLLMs在真实城市环境中的导航能力，并提出VoP方法提升导航性能。

Comments Accepted at EACL 2026 (ORAL)

NavDreamer: Video Models as Zero-Shot 3D Navigators

NavDreamer: 视频模型作为零样本三维导航器

Xijie Huang, Weiqi Gai, Tianyue Wu, Congyu Wang, Zhiyang Liu, Xin Zhou, Yuze Wu, Fei Gao

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 NavDreamer利用视频模型实现零样本三维导航，通过生成视频模型作为语言指令与导航轨迹的接口，结合时空信息和物理动态，实现强大泛化能力。

Comments Work in the progress. 22 pages, 15 figures

AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild

AutoFly：面向野外无人机自主导航的视觉-语言-动作模型

Xiaolou Sun, Wufei Si, Wenhui Ni, Yuntian Li, Dongming Wu, Fei Xie, Runwei Guan, He-Yang Xu, Henghui Ding, Yuan Wu, Yutao Yue, Yongming Huang, Hui Xiong

机构 * Southeast University（东南大学） ； Purple Mountain Labs（紫金山实验室） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 AutoFly是一种面向野外无人机自主导航的视觉-语言-动作模型，通过伪深度编码器和渐进两阶段训练策略，实现自主避障和规划，提升导航成功率。

Comments Acceped by ICLR 2026

Prometheus: Towards Long-Horizon Codebase Navigation for Repository-Level Problem Solving

Prometheus：面向仓库级问题解决的长周期代码库导航

Yue Pan, Zimin Chen, Siyu Lu, Zhaoyang Chu, Xiang Li, Han Li, Yang Feng, Claire Le Goues, Federica Sarro, Martin Monperrus, He Ye

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 Prometheus通过统一知识图谱和增强内存引擎，实现长周期代码库导航，提升仓库级问题解决的效率与准确性。

UniDWM: Towards a Unified Driving World Model via Multifaceted Representation Learning

UniDWM: 通过多维表征学习实现统一的驾驶世界模型

Shuai Liu, Siheng Ren, Xiaoyao Zhu, Quanmin Liang, Zefeng Li, Qiang Li, Xin Hu, Kai Huang

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） ； Xpeng Motors Technology Co Ltd（小鹏汽车科技有限公司） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 UniDWM通过多维表征学习实现统一驾驶世界模型，提升自动驾驶中的轨迹规划和4D重建能力。

DV-VLN: Dual Verification for Reliable LLM-Based Vision-and-Language Navigation

DV-VLN：基于可靠大语言模型的视觉-语言导航的双重验证

Zijun Li, Shijie Li, Zhenxi Zhang, Bin Li, Shoujun Zhou

机构 * Robotics Engineering Program, College of Engineering, Zhejiang Normal University（浙江师范大学工程学院机器人工程专业） ； Shenzhen Institutes of Advanced Technology (SIAT), Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Department of Health Technology and Informatics, The Hong Kong Polytechnic University（香港理工大学健康科技与信息技术系） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)

AI总结 DV-VLN通过生成-验证范式提升大语言模型在视觉-语言导航中的可靠性，通过双重验证机制提高导航决策的准确性和可解释性。

An Efficient and Multi-Modal Navigation System with One-Step World Model

一种高效且多模态的导航系统与一步世界模型

Wangtian Shen, Ziyang Meng, Jinming Ma, Mingliang Zhou, Diyun Xiang

机构 * Tsinghua University（清华大学） ； Xiaomi (China)（小米（中国）） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 本文提出了一种高效多模态导航系统，通过一步世界模型和3D U-Net骨干网络，提升导航效率和鲁棒性。

SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving

SGDrive: 场景到目标层次化世界认知用于自动驾驶

Jingyu Li, Junjie Wu, Dongnan Hu, Xiangkai Huang, Bin Sun, Zhihui Hao, Xianpeng Lang, Xiatian Zhu, Li Zhang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Li Auto Inc.（利汽车公司） ； Tongji University（同济大学） ； University of Surrey（Surrey大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 SGDrive通过构建驾驶特定的知识层次结构，改进了视觉语言模型在自动驾驶中的轨迹规划能力，实现了在导航模拟基准上的最佳性能。

CoINS: Counterfactual Interactive Navigation via Skill-Aware VLM

基于技能感知的反事实交互导航：通过技能感知视觉语言模型

Kangjie Zhou, Zhejia Wen, Zhiyong Zhuo, Zike Yan, Pengying Wu, Ieng Hou U, Shuaiyang Li, Han Gao, Kang Ding, Wenhan Cao, Wei Pan, Chang Liu

机构 * School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院） ； Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程系） ； College of Design and Engineering, National University Of Singapore（新加坡国立大学设计与工程学院） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 CoINS通过整合技能感知推理与稳健执行，提升机器人在复杂环境中的交互导航能力。

Comments 17 pages, 13 figures

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

ArtGen: Conditional Generative Modeling of Articulated Objects in Arbitrary Part-Level States

ArtGen: 条件生成建模任意部分级状态的关节物体

Haowen Wang, Xiaoping Yuan, Fugang Zhang, Rui Jian, Yuanwei Zhu, Xiuquan Qiao, Yakun Huang

机构 * Anhui University（安徽大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)

AI总结 ArtGen通过条件扩散框架生成任意部分级状态的关节3D物体，采用跨状态采样和思维链推理模块，提升运动学一致性与结构先验推断。

Ground Slow, Move Fast: A Dual-System Foundation Model for Generalizable Vision-and-Language Navigation

放慢脚步，快速移动：一种通用视觉-语言导航的双系统基础模型

Meng Wei, Chenyang Wan, Jiaqi Peng, Xiqian Yu, Yuqiang Yang, Delin Feng, Wenzhe Cai, Chenming Zhu, Tai Wang, Jiangmiao Pang, Xihui Liu

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The University of Hong Kong（香港大学） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 DualVLN通过双系统架构，结合高层推理与低层动作执行，提升视觉-语言导航的泛化能力和动态环境适应性。

GigaBrain-0: A World Model-Powered Vision-Language-Action Model

GigaBrain-0：一种由世界模型驱动的视觉-语言-动作模型

GigaBrain Team, Angen Ye, Boyuan Wang, Chaojun Ni, Guan Huang, Guosheng Zhao, Haoyun Li, Jie Li, Jiagang Zhu, Lv Feng, Peng Li, Qiuping Deng, Runqi Ouyang, Wenkang Qin, Xinze Chen, Xiaofeng Wang, Yang Wang, Yifan Li, Yilong Li, Yiran Ding, Yuan Xu, Yun Ye, Yukun Zhou, Zhehao Dong, Zhenan Wang, Zhichao Liu, Zheng Zhu

机构 * GigaBrain Team（GigaBrain团队） 纠错

专题命中 视觉空间推理 ：chain-of-thought(abstract)；CoT(abstract)

AI总结 GigaBrain-0通过世界模型生成数据，减少对真实机器人数据的依赖，提升视觉-语言-动作模型的泛化能力和现实世界性能。

Comments https://gigabrain0.github.io/

SpatialReasoner: Active Perception for Large-Scale 3D Scene Understanding

SpatialReasoner: 大规模3D场景理解中的主动感知

Hongpei Zheng, Shijie Li, Yanran Li, Hujun Yin

机构 * University of Manchester（曼彻斯特大学） ； Institute for Infocomm Research (I2R), A*STAR, Singapore（信息与通信研究 institute（I2R），A*STAR，新加坡） ； University of Bedfordshire（贝德福德郡大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)

AI总结 SpatialReasoner通过主动感知框架实现大规模3D场景理解，采用两阶段训练策略在H$^2$U3D数据集上取得最佳性能。

RoadSceneBench: A Lightweight Benchmark for Mid-Level Road Scene Understanding

RoadSceneBench: 一个轻量级的中层道路场景理解基准

Xiyan Liu, Han Wang, Yuhu Wang, Junjie Cai, Zhe Cao, Jianzhong Yang, Zhen Lu

机构 * Baidu Inc（百度公司） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

AI总结 RoadSceneBench提出一种轻量级基准，通过HRRP-T框架提升道路场景的视觉推理能力，实现结构一致性和时间一致性，推动自动驾驶感知发展。

PAN: A World Model for General, Interactable, and Long-Horizon World Simulation

PAN Team, Jiannan Xiang, Yi Gu, Zihan Liu, Zeyu Feng, Qiyue Gao, Yiyan Hu, Benhao Huang, Guangyi Liu, Yichi Yang, Kun Zhou, Davit Abrahamyan, Arif Ahmad, Ganesh Bannur, Junrong Chen, Kimi Chen, Mingkai Deng, Ruobing Han, Xinqi Huang, Haoqiang Kang, Zheqi Liu, Enze Ma, Hector Ren, Yashowardhan Shinde, Rohan Shingre, Ramsundar Tanikella, Kaiming Tao, Dequan Yang, Xinle Yu, Cong Zeng, Binglin Zhou, Zhengzhong Liu, Zhiting Hu, Eric P. Xing

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

BuildingWorld: A Structured 3D Building Dataset for Urban Foundation Models

Shangfeng Huang, Ruisheng Wang, Xin Wang

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

Fast-SmartWay: Panoramic-Free End-to-End Zero-Shot Vision-and-Language Navigation

Xiangyu Shi, Zerui Li, Yanyuan Qiao, Qi Wu

机构 * Australian Institute for Machine Learning, the University of Adelaide（澳大利亚机器学习研究所、阿德莱德大学） ； CREATE Lab, Swiss Federal Institute of Technology Lausanne (EPFL)（洛桑联邦理工学院CREATE实验室） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

Counteracting Matthew Effect in Self-Improvement of LVLMs through Head-Tail Re-balancing

Xin Guo, Zhiheng Xi, Yiwen Ding, Yitao Zhai, Xiaowei Shi, Xunliang Cai, Tao Gui, Qi Zhang, Xuanjing Huang

机构 * Fudan University（复旦大学） ； Meituan（美团） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

Comments Preprint

PathFormer: A Transformer with 3D Grid Constraints for Digital Twin Robot-Arm Trajectory Generation

Ahmed Alanazi, Duy Ho, Yugyung Lee

机构 * Department of Computer Science, University of Missouri–Kansas City (UMKC)（密苏里大学哥伦比亚分校计算机科学系） ； Department of Computer Science, California State University, Fullerton（加州州立大学富尔顿分校计算机科学系） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

Comments 8 pages, 7 figures, 7 tables

When LLMs step into the 3D World: A Survey and Meta-Analysis of 3D Tasks via Multi-modal Large Language Models

Xianzheng Ma, Brandon Smart, Yash Bhalgat, Shuai Chen, Xinghui Li, Jian Ding, Jindong Gu, Dave Zhenyu Chen, Songyou Peng, Jia-Wang Bian, Philip H Torr, Marc Pollefeys, Matthias Nießner, Ian D Reid, Angel X. Chang, Iro Laina, Victor Adrian Prisacariu

机构 * University of Oxford（牛津大学） ； King Abdullah University of Science and Technology（国王 Abdullah 科学与技术大学） ； Technical University of Munich（慕尼黑技术大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Simon Fraser University（西蒙·弗雷泽大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

Comments 2nd version update to Jun.2025

Efficient Navigation in Unknown Indoor Environments with Vision-Language Models

D. Schwartz, K. Kondo, J. P. How

机构 * ETH Zürich（苏黎世联邦理工学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)

Comments 7 pages, 4 figures, accepted to the OWN workshop at IROS 2025

AMFT: Aligning LLM Reasoners by Meta-Learning the Optimal Imitation-Exploration Balance

Lixuan He, Jie Feng, Yong Li

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

Comments The paper is currently under investigation regarding concerns of potential academic misconduct. While the investigation is ongoing, the authors have voluntarily requested to withdraw the manuscript