大模型推理能力

AudioScene: Integrating Object-Event Audio into 3D Scenes

AudioScene: 将对象事件音频整合到3D场景中

Shuaihang Yuan, Congcong Wen, Muhammad Shafique, Anthony Tzes, Yi Fang

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

AI总结 本文提出AudioScene数据集，通过整合音频事件与3D场景，探索音频条件任务，提升空间学习的准确性与多样性。

Towards Accurate UAV Image Perception: Guiding Vision-Language Models with Stronger Task Prompts

迈向准确的无人机图像感知：通过更强的任务提示引导视觉-语言模型

Mingning Guo, Mengwei Wu, Shaoxian Li, Haifeng Li, Chao Tao

机构 * School of Geosciences and InfoPhysics, Central South University（地质科学与信息物理学院，中南大学） 纠错

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

AI总结 AerialVP通过增强任务提示提升无人机图像感知性能，引入AerialSense基准评估模型在复杂场景下的表现。

SAT: Dynamic Spatial Aptitude Training for Multimodal Language Models

SAT：多模态语言模型的动态空间能力训练

Arijit Ray, Jiafei Duan, Ellis Brown, Reuben Tan, Dina Bashkirova, Rose Hendrix, Kiana Ehsani, Aniruddha Kembhavi, Bryan A. Plummer, Ranjay Krishna, Kuo-Hao Zeng, Kate Saenko

机构 * Boston University（波士顿大学） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） ； Microsoft Research（微软研究院） ； New York University（纽约大学） 纠错

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

AI总结 SAT通过模拟数据提升多模态语言模型在动态空间推理中的能力，实验表明其在多个基准测试中优于现有方法。

Comments Accepted to COLM 2025. Project webpage: https://arijitray.com/SAT/

SIMA 2: A Generalist Embodied Agent for Virtual Worlds

SIMA 2: 一种通用的具身代理用于虚拟世界

SIMA team, Adrian Bolton, Alexander Lerchner, Alexandra Cordell, Alexandre Moufarek, Andrew Bolt, Andrew Lampinen, Anna Mitenkova, Arne Olav Hallingstad, Bojan Vujatovic, Bonnie Li, Cong Lu, Daan Wierstra, Daniel P. Sawyer, Daniel Slater, David Reichert, Davide Vercelli, Demis Hassabis, Drew A. Hudson, Duncan Williams, Ed Hirst, Fabio Pardo, Felix Hill, Frederic Besse, Hannah Openshaw, Harris Chan, Hubert Soyer, Jane X. Wang, Jeff Clune, John Agapiou, John Reid, Joseph Marino, Junkyung Kim, Karol Gregor, Kaustubh Sridhar, Kay McKinney, Laura Kampis, Lei M. Zhang, Loic Matthey, Luyu Wang, Maria Abi Raad, Maria Loks-Thompson, Martin Engelcke, Matija Kecman, Matthew Jackson, Maxime Gazeau, Ollie Purkiss, Oscar Knagg, Peter Stys, Piermaria Mendolicchio, Raia Hadsell, Rosemary Ke, Ryan Faulkner, Sarah Chakera, Satinder Singh Baveja, Shane Legg, Sheleem Kashem, Tayfun Terzi, Thomas Keck, Tim Harley, Tim Scholtes, Tyson Roberts, Volodymyr Mnih, Yulan Liu, Zhengdong Wang, Zoubin Ghahramani

机构 * Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 SIMA 2是一种基于Gemini模型的通用具身代理，能够理解和行动于多种3D虚拟世界，具备自我改进能力，显著提升了与人类表现的接近程度。

When Harmful Content Gets Camouflaged: Unveiling Perception Failure of LVLMs with CamHarmTI

当有害内容被伪装时：通过CamHarmTI揭示LVLMs的感知失败

Yanhui Li, Qi Zhou, Zhihong Xu, Huizhong Guo, Wenhai Wang, Dongxia Wang

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出CamHarmTI基准，揭示LVLMs在识别伪装有害内容时的感知不足，并通过微调提升模型性能。

Describe Anything Anywhere At Any Moment

在任何地方、任何时间描述任何事物

Nicolas Gorlo, Lukas Schmid, Luca Carlone

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 DAAAM是一种用于大规模实时4D场景理解的空间时间记忆框架，通过优化前端和分层4D场景图实现高效语义描述与实时性能的平衡。

Comments 14 pages, 5 figures, 6 tables

Large Language Models for Power System Security: A Novel Multi-Modal Approach for Anomaly Detection in Energy Management Systems

用于电力系统安全的大型语言模型：一种用于能源管理系统异常检测的新型多模态方法

Aydin Zaboli, Junho Hong, Alexandru Stefanov, Chen-Ching Liu, Chul-Sang Hwang

机构 * Department of Electrical and Computer Engineering, University of Michigan -- Dearborn, MI, 48128 USA.（电气与计算机工程系，密歇根大学迪尔伯恩分校） ； Department of Electrical Sustainable Energy, Technische Universiteit Delft, 2628 CD Delft, Netherlands.（可持续能源系，代尔夫特理工大学） ； Bradley Department of Electrical and Computer Engineering, Virginia Polytechnic Institute and State University, Blacksburg, VA 24061, USA.（布雷德利电气与计算机工程系，弗吉尼亚理工学院和州立大学） ； Smart Grid Research Division System Reliability Research Team, Korea Electrotechnology Research Institute (KERI), Gwangju-si, 61751, South Korea.（智能电网研究分会系统可靠性研究团队，韩国电力技术研究所（KERI）） 纠错

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

AI总结 本文提出了一种基于大型语言模型的多模态方法，用于电力系统中能源管理系统的安全防护和异常检测。

Comments 10 Figures; 6 Tables; Accepted, IEEE ACCESS 2025

Words into World: A Task-Adaptive Agent for Language-Guided Spatial Retrieval in AR

词语进入世界：一种任务自适应代理用于增强现实中的语言引导空间检索

Lixing Guo, Tobias Höllerer

机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

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

AI总结 本文提出一种任务自适应AR代理，结合多模态大语言模型和视觉模型，实现语言引导的空间检索，支持复杂查询和真实世界交互。

A Survey on Improving Human Robot Collaboration through Vision-and-Language Navigation

通过视觉-语言导航提升人机协作的综述

Nivedan Yakolli, Avinash Gautam, Abhijit Das, Yuankai Qi, Virendra Singh Shekhawat

机构 * Birla Institute of Technology and Science (BITS)（比拉理工学院和科学学院） ； Macquarie University（麦考瑞大学） 纠错

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

AI总结 本文综述了视觉-语言导航在提升人机协作中的最新进展，探讨了多机器人协作中的关键挑战，并提出通过先进NLU技术实现主动澄清和动态角色分配的未来方向。

Prune-Then-Plan: Step-Level Calibration for Stable Frontier Exploration in Embodied Question Answering

剪枝后再规划：用于具身问答中稳定前沿探索的分步校准

Noah Frahm, Prakrut Patel, Yue Zhang, Shoubin Yu, Mohit Bansal, Roni Sengupta

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

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

AI总结 Prune-Then-Plan通过分步校准稳定具身问答中的前沿探索，提升导航效率和回答质量。

Comments webpage: https://noahfrahm.github.io/Prune-Then-Plan-project-page/

Spatial-SSRL: Enhancing Spatial Understanding via Self-Supervised Reinforcement Learning

Spatial-SSRL: 通过自监督强化学习增强空间理解

Yuhong Liu, Beichen Zhang, Yuhang Zang, Yuhang Cao, Long Xing, Xiaoyi Dong, Haodong Duan, Dahua Lin, Jiaqi Wang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； 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.AI

AI总结 Spatial-SSRL通过自监督强化学习提升大视觉-语言模型的空间理解能力，无需人工标注，在多个基准测试中取得显著准确率提升。

Comments preprint

Influence of the Geometry of the world model on Curiosity Based Exploration

世界模型几何对基于好奇心的探索的影响

Grégoire Sergeant-Perthuis, Nils Ruet, David Rudrauf, Dimitri Ognibene, Yvain Tisserand

机构 * LCQB Sorbonne Université & OURAGAN team, Inria Paris（LCQB 索邦大学及 OURAGAN 团队，巴黎研究所） ； CIAMS, Université Paris-Saclay, Orsay & Université d’Orléans（CIAMS，巴黎-萨克雷大学，欧塞比及奥尔良大学） ； Dipartimento di Psicologia, Università Milano-Bicocca（心理学系，米兰-比科卡大学） ； CISA, University of Geneva（日内瓦大学 CISA） 纠错

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

AI总结 本文研究了世界模型几何结构对智能体好奇心驱动探索行为的影响，通过比较投影群与欧几里得群在知识价值和探索行为中的作用，揭示了几何结构在空间意识中的关键作用。

Journal ref Biol Cybern 119, 4 (2025)

NeuroVascU-Net: A Unified Multi-Scale and Cross-Domain Adaptive Feature Fusion U-Net for Precise 3D Segmentation of Brain Vessels in Contrast-Enhanced T1 MRI

NeuroVascU-Net：一种统一的多尺度和跨域自适应特征融合U-Net，用于精确的对比增强T1 MRI脑血管三维分割

Mohammad Jafari Vayeghan, Niloufar Delfan, Mehdi Tale Masouleh, Mansour Parvaresh Rizi, Behzad Moshiri

机构 * School of Electrical and Computer Engineering, College of Engineering, University of Tehran（电信工程学院，工程学院，德黑兰大学） ； Department of EECS, Lassonde School of Engineering, York University（电子工程系，拉索nde工程学院，约克大学） ； Department of Neurosurgery, School of Medicine, Iran University of Medical Sciences（神经外科系，医学院，伊朗医学科学大学） ； Department of Electrical and Computer Engineering, University of Waterloo（电子工程系，滑铁库大学） 纠错

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

AI总结 NeuroVascU-Net通过多尺度和跨域自适应特征融合模块，实现高精度脑血管分割，适用于临床标准T1CE MRI，提升神经外科手术规划的准确性与效率。

CubeletWorld: A New Abstraction for Scalable 3D Modeling

CubeletWorld: 一种可扩展3D建模的新抽象

Azlaan Mustafa Samad, Hoang H. Nguyen, Lukas Berg, Henrik Müller, Yuan Xue, Daniel Kudenko, Zahra Ahmadi

机构 * L3S Research Center（L3S研究所以） ； Leibniz University Hannover（汉诺威莱布尼茨大学） ； University of Tennessee at Chattanooga（田纳西大学查塔努加分校） ； PLRI Medical Informatics Institute（医学信息学研究所） ； Hannover Medical School（汉诺威医学院） 纠错

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

AI总结 CubeletWorld通过离散3D网格空间单元实现可扩展的城市建模，提升隐私保护和跨区域通用性。

Comments 10 pages, 5 figures

Text to Robotic Assembly of Multi Component Objects using 3D Generative AI and Vision Language Models

通过3D生成AI和视觉语言模型实现多组件物体的文本到机器人组装

Alexander Htet Kyaw, Richa Gupta, Dhruv Shah, Anoop Sinha, Kory Mathewson, Stefanie Pender, Sachin Chitta, Yotto Koga, Faez Ahmed, Lawrence Sass, Randall Davis

机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院） ； MIT（麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Google, Paradigms of Intelligence（谷歌、范式智能） ； Autodesk Research（Autodesk研究） ； MIT Mechanical Engineering（麻省理工学院机械工程系） ； MIT Architecture（麻省理工学院建筑系） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

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

AI总结 本文提出利用3D生成AI和视觉语言模型实现多组件物体的文本到机器人组装，通过多模态推理分解生成网格并优化组件分配。

Comments Accepted to NeurIPS 2025, Conference on Neural Information Processing Systems, Creative AI Track

WorldGen: From Text to Traversable and Interactive 3D Worlds

WorldGen: 从文本到可遍历和交互的3D世界

Dilin Wang, Hyunyoung Jung, Tom Monnier, Kihyuk Sohn, Chuhang Zou, Xiaoyu Xiang, Yu-Ying Yeh, Di Liu, Zixuan Huang, Thu Nguyen-Phuoc, Yuchen Fan, Sergiu Oprea, Ziyan Wang, Roman Shapovalov, Nikolaos Sarafianos, Thibault Groueix, Antoine Toisoul, Prithviraj Dhar, Xiao Chu, Minghao Chen, Geon Yeong Park, Mahima Gupta, Yassir Azziz, Rakesh Ranjan, Andrea Vedaldi

机构 * Reality Labs, Meta（Meta现实实验室） 纠错

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

AI总结 WorldGen通过结合LLM、程序生成和扩散模型，实现从文本到可交互3D世界的自动创建，提升虚拟空间的生成效率与表现力。

CleverDistiller: Simple and Spatially Consistent Cross-modal Distillation

CleverDistiller: 简单且空间一致的跨模态知识蒸馏

Hariprasath Govindarajan, Maciej K. Wozniak, Marvin Klingner, Camille Maurice, B Ravi Kiran, Senthil Yogamani

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

AI总结 CleverDistiller通过简单有效的跨模态知识蒸馏方法，在自动驾驶任务中实现语义分割和3D目标检测的高性能表现。

Comments Accepted to BMVC 2025

Graph Neural Networks for Surgical Scene Segmentation

用于手术场景分割的图神经网络

Yihan Li, Nikhil Churamani, Maria Robu, Imanol Luengo, Danail Stoyanov

机构 * Medtronic Digital Technologies（梅奥医疗数字技术公司） ； UCL Hawkes Institute, University College London（伦敦大学学院霍克斯研究所） 纠错

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

AI总结 本文提出基于图神经网络的手术场景分割方法，结合视觉Transformer和图结构建模，提升分割精度与解剖一致性。

Comments 12 pages, 4 figures, 3 tables

Graph Query Networks for Object Detection with Automotive Radar

Loveneet Saini, Hasan Tercan, Tobias Meisen

机构 * University of Wuppertal（乌珀塔尔大学） 纠错

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

Comments Accepted in WACV 2026 Main Conference

Eq.Bot: Enhance Robotic Manipulation Learning via Group Equivariant Canonicalization

Jian Deng, Yuandong Wang, Yangfu Zhu, Tao Feng, Tianyu Wo, Zhenzhou Shao

机构 * Beijing Key Laboratory of Light Industrial Robot and Safety Verification, Capital Normal University（北京工业机器人与安全验证重点实验室，首都师范大学） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； School of Software, Beihang University（北航软件学院） 纠错

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

Comments 12 pages, 4 figures and 3 tables

RynnEC: Bringing MLLMs into Embodied World

Ronghao Dang, Yuqian Yuan, Yunxuan Mao, Kehan Li, Jiangpin Liu, Zhikai Wang, Xin Li, Fan Wang, Deli Zhao

机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（虎盘实验室） ； Zhejiang University（浙江大学） 纠错

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

Comments The technical report of RynnEC, an embodied cognition MLLM

Scene Graph-Guided Generative AI Framework for Synthesizing and Evaluating Industrial Hazard Scenarios

Sanjay Acharjee, Abir Khan Ratul, Diego Patino, Md Nazmus Sakib

机构 * Ph.D. Student, Dept. of Civil Eng., University of Texas at Arlington. E-mail ； Assistant Professor, Dept. of Computer Sci. \& Eng., University of Texas at Arlington. E-mail ； Assistant Professor, Dept. of Civil Eng., University of Texas at Arlington. E-mail 纠错

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

See it. Say it. Sorted: Agentic System for Compositional Diagram Generation

Hantao Zhang, Jingyang Liu, Ed Li

机构 * Yale University（耶鲁大学） ； University of Edinburgh（爱丁堡大学） 纠错

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

3D-Aware Vision-Language Models Fine-Tuning with Geometric Distillation

Seonho Lee, Jiho Choi, Inha Kang, Jiwook Kim, Junsung Park, Hyunjung Shim

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

PRISM-0: A Predicate-Rich Scene Graph Generation Framework for Zero-Shot Open-Vocabulary Tasks

Abdelrahman Elskhawy, Mengze Li, Nassir Navab, Benjamin Busam

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

Selecting Fine-Tuning Examples by Quizzing VLMs

Tenghao Ji, Eytan Adar

机构 * University of Michigan（密歇根大学） 纠错

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

HARNESS: Human-Agent Risk Navigation and Event Safety System for Proactive Hazard Forecasting in High-Risk DOE Environments

Ran Elgedawy, Sanjay Das, Ethan Seefried, Gavin Wiggins, Ryan Burchfield, Dana Hewit, Sudarshan Srinivasan, Todd Thomas, Prasanna Balaprakash, Tirthankar Ghosal

机构 * Oak Ridge National Laboratory（奥克勒斯国家实验室） 纠错

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

Semantic4Safety: Causal Insights from Zero-shot Street View Imagery Segmentation for Urban Road Safety

Huan Chen, Ting Han, Siyu Chen, Zhihao Guo, Yiping Chen, Meiliu Wu

机构 * School of Geospatial Engineering and Science, Sun Yat-sen University（地理空间工程与科学学院，中山大学） ； School of Geographical and Earth Sciences, University of Glasgow（地理与地球科学学院，格拉斯哥大学） ； School of Economics and Management, Shanxi University（经济学与管理学院，山西大学） 纠错

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

Comments 11 pages, 10 figures, The 8th ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery (GeoAI '25), November 3--6, 2025, Minneapolis, MN, USA

Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds

Weihao Tan, Xiangyang Li, Yunhao Fang, Heyuan Yao, Shi Yan, Hao Luo, Tenglong Ao, Huihui Li, Hongbin Ren, Bairen Yi, Yujia Qin, Bo An, Libin Liu, Guang Shi

机构 * ByteDance Seed（字节跳动种子） ； NTU（国立科技大学） 纠错

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

Hybrid CNN-ViT Framework for Motion-Blurred Scene Text Restoration

Umar Rashid, Muhammad Arslan Arshad, Ghulam Ahmad, Muhammad Zeeshan Anjum, Rizwan Khan, Muhammad Akmal

机构 * Department of Electrical Engineering, University of Engineering & Technology, New Campus, Lahore, Pakistan（电子工程系，工程科技大学，新校区，拉合尔，巴基斯坦） ； Department of Electrical, Electronic, and Future Technologies, Sheffield Hallam University, Sheffield S1 1WB, UK（电子、电气与未来技术系，谢菲尔德哈姆大学，谢菲尔德 S1 1WB，英国） 纠错

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