大模型推理能力

3DRS: MLLMs Need 3D-Aware Representation Supervision for Scene Understanding

3DRS: MLLMs 需要 3D 意识表示监督以实现场景理解

Xiaohu Huang, Jingjing Wu, Qunyi Xie, Kai Han

机构 * Visual AI Lab, The University of Hong Kong（香港大学视觉人工智能实验室） ； Department of Computer Vision Technology (VIS), Baidu Inc.（百度公司计算机视觉技术部） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 3DRS 通过引入预训练 3D 基础模型的监督，提升 MLLM 的 3D 表示能力，从而增强场景理解性能

Optimal Safety-Aware Scheduling for Multi-Agent Aerial 3D Printing with Utility Maximization under Dependency Constraints

多智能体空中3D打印的最优安全意识调度与效用最大化在依赖约束下

Marios-Nektarios Stamatopoulos, Shridhar Velhal, Avijit Banerjee, George Nikolakopoulos

机构 * Robotics and AI Group, Luleå University of Technology（机器人与人工智能组，卢勒奥技术大学） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 本文提出了一种基于效用最大化的优化框架，用于在依赖约束下实现多智能体空中3D打印的最优安全调度。

The Dynamic Prior: Understanding 3D Structures for Casual Dynamic Videos

动态先验：为随意动态视频理解3D结构

Zhuoyuan Wu, Xurui Yang, Jiahui Huang, Yue Wang, Jun Gao

机构 * PKU（北京大学） ； NVIDIA（英伟达） ； USC（南加州大学） ； University of Michigan（密歇根大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出动态先验模型，利用Vision-Language Models和SAM2实现无需任务特定训练的动态物体识别，提升结构3D理解的准确性和鲁棒性。

Comments Code is available at https://github.com/wuzy2115/DYNAPO

STATE-NAV: Stability-Aware Traversability Estimation for Bipedal Navigation on Rough Terrain

STATE-NAV：面向粗糙地形双足导航的稳定性感知可通行性估计

Ziwon Yoon, Lawrence Y. Zhu, Jingxi Lu, Lu Gan, Ye Zhao

机构 * Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机械研究所，佐治亚理工学院） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 本文提出STATE-NAV框架，通过基于Transformer的神经网络预测双足机器人在粗糙地形中的稳定性，结合分层规划器实现风险感知的导航，提升导航性能和鲁棒性。

Comments Accepted to IEEE Robotics and Automation Letters (RA-L)

Spatially-Enhanced Retrieval-Augmented Generation for Walkability and Urban Discovery

空间增强的检索增强生成用于步行性和城市探索

Maddalena Amendola, Chiara Pugliese, Raffaele Perego, Chiara Renso

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 WalkRAG通过空间增强的检索增强生成框架，结合信息检索与空间推理，为用户提供步行性城市探索的推荐服务。

MUT3R: Motion-aware Updating Transformer for Dynamic 3D Reconstruction

MUT3R：面向动态3D重建的运动感知更新Transformer

Guole Shen, Tianchen Deng, Xingrui Qin, Nailin Wang, Jianyu Wang, Yanbo Wang, Yongtao Chen, Hesheng Wang, Jingchuan Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 MUT3R通过利用预训练Transformer的运动线索，在无需训练的情况下抑制动态内容，提升动态场景下的3D重建时间一致性和姿态鲁棒性。

Language-Driven Object-Oriented Two-Stage Method for Scene Graph Anticipation

基于语言的面向对象两阶段方法用于场景图预见

Xiaomeng Zhu, Changwei Wang, Haozhe Wang, Xinyu Liu, Fangzhen Lin

机构 * Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（计算机科学与工程系，香港科学与技术大学） ； Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center, Qilu University of Technology（计算能力网络与信息安全重点实验室，教育部，山东计算机科学中心，齐鲁大学） ； Academy of Interdisciplinary Studies, The Hong Kong University of Science and Technology（跨学科研究学院，香港科学与技术大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出基于语言的面向对象两阶段方法，通过时间一致性正则化预测对象集动态和关系轨迹，显著提升视频场景图预见性能。

Synthetic Cognitive Walkthrough: Aligning Large Language Model Performance with Human Cognitive Walkthrough

合成认知 walkthrough：使大语言模型性能与人类认知 walkthrough 对齐

Ruican Zhong, David W. McDonald, Gary Hsieh

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 研究探讨了大型语言模型能否通过模拟人类行为来提升认知 walkthrough 的效率，并展示了其在可用性测试中的潜在应用价值。

LLM-Guided Material Inference for 3D Point Clouds

基于大语言模型的3D点云材料推断

Nafiseh Izadyar, Teseo Schneider

机构 * University of Victoria（维多利亚大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出基于大语言模型的3D点云材料推断方法，通过两阶段推理实现材料属性推断，验证了语言模型在连接几何推理与材料理解中的作用。

SafePTR: Token-Level Jailbreak Defense in Multimodal LLMs via Prune-then-Restore Mechanism

SafePTR: 通过剪枝-恢复机制实现多模态大语言模型的令牌级 Jailbreak 防御

Beitao Chen, Xinyu Lyu, Lianli Gao, Jingkuan Song, Heng Tao Shen

机构 * Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳研究院） ； Southwestern University of Finance and Economics（西南财经大学） ； Engineering Research Center of Intelligent Finance, Ministry of Education（教育部智能金融工程研究中心） ； Tongji University（同济大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 SafePTR 提出一种无需训练的多模态大语言模型防御机制，通过剪枝有害令牌并恢复良性特征，有效提升安全性并保持效率。

Comments Accepted by NeurIPS 2025

Continuous Perception Matters: Diagnosing Temporal Integration Failures in Multimodal Models

持续感知至关重要：多模态模型中时间整合失败的诊断

Zeyu Wang, Zhenzhen Weng, Serena Yeung-Levy

机构 * Stanford University（斯坦福大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出CP-Bench，通过简单任务揭示多模态模型在持续感知中的时间整合缺陷，指出现有模型无法有效跨时间积累证据。

SwiftVLA: Unlocking Spatiotemporal Dynamics for Lightweight VLA Models at Minimal Overhead

SwiftVLA: 解锁轻量VLA模型的时空动态以最小的开销

Chaojun Ni, Cheng Chen, Xiaofeng Wang, Zheng Zhu, Wenzhao Zheng, Boyuan Wang, Tianrun Chen, Guosheng Zhao, Haoyun Li, Zhehao Dong, Qiang Zhang, Yun Ye, Yang Wang, Guan Huang, Wenjun Mei

机构 * GigaAI ； Peking University（北京大学） ； Moxin (Huzhou) Technology Co., Ltd.（摩西（湖州）科技有限公司） ； Tsinghua University（清华大学） ； X-Humanoid Project（X-人形项目） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 SwiftVLA通过4D视觉几何Transformer和Fusion Tokens提升轻量VLA模型的时空推理能力，实现高效且性能优异的视觉-语言-动作处理。

VISTAv2: World Imagination for Indoor Vision-and-Language Navigation

VISTAv2：室内视觉与语言导航的世界想象

Yanjia Huang, Xianshun Jiang, Xiangbo Gao, Mingyang Wu, Zhengzhong Tu

机构 * Texas A&M University（德克萨斯农工大学） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 VISTAv2通过生成式世界模型实现室内视觉与语言导航的稳健规划，结合动作条件想象和在线价值图融合，提升导航效率与鲁棒性。

Comments 11 pages, 5 figures

HMR3D: Hierarchical Multimodal Representation for 3D Scene Understanding with Large Vision-Language Model

HMR3D：用于大视觉-语言模型的层次多模态表示以实现3D场景理解

Chen Li, Eric Peh, Basura Fernando

机构 * Institute of High-Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，科技研究局，新加坡） ； Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore（前沿人工智能研究中心，科技研究局，新加坡） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学，新加坡） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 HMR3D通过层次化多模态表示，结合多视图图像和文本描述，提升3D场景理解的性能。

MG-Nav: Dual-Scale Visual Navigation via Sparse Spatial Memory

MG-Nav：基于稀疏空间记忆的双尺度视觉导航

Bo Wang, Jiehong Lin, Chenzhi Liu, Xinting Hu, Yifei Yu, Tianjia Liu, Zhongrui Wang, Xiaojuan Qi

机构 * The University of Hong Kong（香港大学） ； Southern University of Science and Technology（南方科技大学） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 MG-Nav通过稀疏空间记忆图和VGGT-adapter模块实现双尺度视觉导航，结合全局规划与局部控制，实现零样本导航的高鲁棒性与高性能。

Comments 10pages, 5 figures

Building temporally coherent 3D maps with VGGT for memory-efficient Semantic SLAM

基于VGGT构建内存高效的语义SLAM 3D地图

Gergely Dinya, Péter Halász, András Lőrincz, Kristóf Karacs, Anna Gelencsér-Horváth

机构 * Eötvös Loránd University（埃斯特哈兹·洛朗大学） ； Pázmány Péter Catholic University（帕兹曼·彼得天主教大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出基于VGGT的语义SLAM框架，通过滑动窗口和时间戳管理实现高效3D地图构建与环境变化检测。

Thinking With Bounding Boxes: Enhancing Spatio-Temporal Video Grounding via Reinforcement Fine-Tuning

通过边界框思考：通过强化微调提升空间时间视频定位

Xin Gu, Haoji Zhang, Qihang Fan, Jingxuan Niu, Zhipeng Zhang, Libo Zhang, Guang Chen, Fan Chen, Longyin Wen, Sijie Zhu

机构 * ByteDance Intelligent Creation（字节跳动智能创作） ； Tsinghua University（清华大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Shanghai Jiao Tong University（上海交通大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） 纠错

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

AI总结 STVG-o1通过强化微调提升空间时间视频定位性能，实现无需架构修改的先进结果。

Scenes as Tokens: Multi-Scale Normal Distributions Transform Tokenizer for General 3D Vision-Language Understanding

场景作为标记：多尺度正常分布变换标记器用于通用3D视觉-语言理解

Yutao Tang, Cheng Zhao, Gaurav Mittal, Rohith Kukkala, Rama Chellappa, Cheng Peng, Mei Chen

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Microsoft（微软公司） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 NDTokenizer3D通过多尺度NDT表示和解码器实现通用3D视觉-语言理解，提升3D场景任务性能。

One Patch is All You Need: Joint Surface Material Reconstruction and Classification from Minimal Visual Cues

一个补丁就够了：从最小的视觉线索联合表面材料重建与分类

Sindhuja Penchala, Gavin Money, Gabriel Marques, Samuel Wood, Jessica Kirschman, Travis Atkison, Shahram Rahimi, Noorbakhsh Amiri Golilarz

机构 * Department of Computer Science, The University of Alabama（计算机科学系，阿拉巴马大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 SMARC通过单个补丁实现表面材料重建与分类，以应对稀疏视觉输入下的挑战，取得最佳性能。

Comments 9 pages,3 figures, 5 tables

Vision-Language Models for Automated 3D PET/CT Report Generation

用于自动化3D PET/CT报告生成的视觉-语言模型

Wenpei Jiao, Kun Shang, Hui Li, Ke Yan, Jiajin Zhang, Guangjie Yang, Lijuan Guo, Yan Wan, Xing Yang, Dakai Jin, Zhaoheng Xie

机构 * Institute of Medical Technology and National Biomedical Imaging Center, Peking University（北京大学医学技术研究院和国家生物医学成像中心） ； Peking University People’s Hospital（北京大学人民医院） ； Peking University Third Hospital（北京大学第三医院） ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院） ； The Affiliated Hospital of Qingdao University（青岛大学附属医院） ； The First Affiliated Hospital of Henan Medical University（河南医科大学第一附属医院） ； Jiujiang City Key Laboratory of Cell Therapy, Jiu Jiang NO.1 People’s Hospital（九江市细胞治疗重点实验室，九江市第一人民医院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出PETRG-3D模型，通过3D双分支框架和风格适应提示，提升PET/CT报告生成的自动化水平，实验显示其在自然语言和临床指标上均优于现有方法。

One algebra for all : Geometric Algebra methods for neurosymbolic XR scene authoring, animation and neural rendering

Manos Kamarianakis, Antonis Protopsaltis, George Papagiannakis

专题命中 视觉空间推理 ：reasoning(abstract)

Comments 10 pages, 9 Figures

C2F-Space: Coarse-to-Fine Space Grounding for Spatial Instructions using Vision-Language Models

Nayoung Oh, Dohyun Kim, Junhyeong Bang, Rohan Paul, Daehyung Park

专题命中 视觉空间推理 ：reasoning(abstract)

Comments 16 pages, 12 figures

Is your VLM Sky-Ready? A Comprehensive Spatial Intelligence Benchmark for UAV Navigation

Lingfeng Zhang, Yuchen Zhang, Hongsheng Li, Haoxiang Fu, Yingbo Tang, Hangjun Ye, Long Chen, Xiaojun Liang, Xiaoshuai Hao, Wenbo Ding

专题命中 视觉空间推理 ：reasoning(abstract)

LARM: A Large Articulated-Object Reconstruction Model

Sylvia Yuan, Ruoxi Shi, Xinyue Wei, Xiaoshuai Zhang, Hao Su, Minghua Liu

机构 * University of California San Diego（加州大学圣地亚哥分校） ； Hillbot Inc.（Hillbot公司） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

Comments project page: https://sylviayuan-sy.github.io/larm-site/

Bridging Hidden States in Vision-Language Models

Benjamin Fein-Ashley, Jacob Fein-Ashley

机构 * University of Southern California（南加州大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

SIMS-V: Simulated Instruction-Tuning for Spatial Video Understanding

Ellis Brown, Arijit Ray, Ranjay Krishna, Ross Girshick, Rob Fergus, Saining Xie

机构 * New York University（纽约大学） ； Boston University（波士顿大学） ； AllenAI ； Vercept 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

Comments Project page: https://ellisbrown.github.io/sims-v

When Eyes and Ears Disagree: Can MLLMs Discern Audio-Visual Confusion?

Qilang Ye, Wei Zeng, Meng Liu, Jie Zhang, Yupeng Hu, Zitong Yu, Yu Zhou

专题命中 视觉空间推理 ：reasoning(abstract)

Comments Accepted by AAAI 2026

Agent Journey Beyond RGB: Hierarchical Semantic-Spatial Representation Enrichment for Vision-and-Language Navigation

Xuesong Zhang, Yunbo Xu, Jia Li, Ruonan Liu, Zhenzhen Hu

专题命中 视觉空间推理 ：reasoning(abstract)

Comments AAAI2026, I14 pages, 12 figures, 11 tables

HCC-3D: Hierarchical Compensatory Compression for 98% 3D Token Reduction in Vision-Language Models

Liheng Zhang, Jin Wang, Hui Li, Bingfeng Zhang, Weifeng Liu

专题命中 视觉空间推理 ：reasoning(abstract)

Plug-and-Play Clarifier: A Zero-Shot Multimodal Framework for Egocentric Intent Disambiguation

Sicheng Yang, Yukai Huang, Weitong Cai, Shitong Sun, You He, Jiankang Deng, Hang Zhang, Jifei Song, Zhensong Zhang

专题命中 视觉空间推理 ：reasoning(abstract)

Comments 16 pages, 9 figures, AAAI 2026