语言大模型 / LLM

Orientation Reading by Production Vision-Language Models on Optotype Charts: A Controlled Multi-Model Evaluation Across Reasoning Modes, Prompts, and Access Modalities

通过生产视觉语言模型在视标图表上进行方向读取：跨推理模式、提示和访问方式的受控多模型评估

Shahryar Wasif, Avneek Sandhu, Bin Hu

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 研究通过消费者聊天界面评估四个视觉语言模型在视标图表上读取方向的能力，在多种推理模式、提示变体下运行，发现各模型准确率有差异，错误有特定方向，单一准确率掩盖问题，强调应多轴评估视觉语言模型。

Comments 4 figures, 4 supplementary figures

CoRe: A Comprehensive Framework for Cross-Image Comparative Reasoning in Vision-Language Models

CoRe：视觉语言模型中跨图像比较推理的综合框架

Lin Peng, Cong Wan, Zeyu Guo, SongLin Dong, Yihong Gong

机构 * Xi’an Jiaotong University（西安交通大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 针对视觉语言模型跨图像比较推理难题，提出CoRe框架，含自动构建的训练集CoRe-20K、结构化奖励框架TriSR及基准CoRe-Bench，实验显示其在CoRe-Bench上大幅超越现有模型，在标准基准上也有竞争力。

Comments Accepted by ACMMM2026

Towards Vision-Free CIR: Attribute-Augmented Scoring and LLM-Based Reranking for Zero-Shot Composed Image Retrieval

迈向无视觉的合成图像检索：基于属性增强评分和基于大语言模型的重排的零样本合成图像检索

Ryotaro Shimada, Yu-Chieh Lin, Yuji Nozawa, Youyang Ng, Osamu Torii, Yusuke Matsui

机构 * The University of Tokyo（东京大学） ； Kioxia Corporation（铠侠株式会社） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)

AI总结 研究如何让无视觉方法有效处理合成图像检索任务，通过属性增强混合评分和基于大语言模型的重排两项关键技术构建框架，在开放域CIRR数据集实验中优于现有零样本方法，在FashionIQ上凸显语义推理与视觉匹配权衡，消融研究验证技术有效性。

DM-KG: A Novel Method for Boosting Spatial Cognition of Vision-Language Models in Street View Imagery

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

Xinyue Xu, Zheng Zhang, Kunyang Ma, Ge Zhu, Lianshuai Cao, Lei Wang, Zixuan Li, Yi Cheng

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） 纠错

专题命中 推理与问题求解 ：language model(title,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。

Mixture of Cognitive Experts in Large Vision-Language Models

大型视觉语言模型中的认知专家混合体

Robert Wijaya, Ngai-Man Cheung

机构 * Singapore University of Technology and Design (SUTD)（新加坡科技设计大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 研究大型视觉语言模型中多编码器专家整合难题，提出证据驱动的多模态推理框架，利用布鲁姆分类法及两阶段认知语言化，改进感知和推理能力，实现细粒度分析。

Replanning Human-Robot Collaborative Tasks with Vision-Language Models via Semantic and Physical Dual-Correction

通过语义和物理双校正利用视觉语言模型重新规划人机协作任务

Taichi Kato, Takuya Kiyokawa, Namiko Saito, Kensuke Harada

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 本文提出一种通过语义和物理双校正机制提升人机协作任务中机器人重新规划能力的框架，结合视觉语言模型与物理反馈纠正，提高任务执行的成功率和可行性。

Comments 20 pages, 9 figures

Zero-shot 3D General Obstacle Detection via Multimodal Foundation Models and Geometry

通过多模态基础模型和几何进行零样本3D通用障碍物检测

Tamás Matuszka, Péter Hajas, Dávid Szeghy

机构 * aiMotive 纠错

专题命中 推理与问题求解 ：foundation model(title,abstract)

AI总结 针对自动驾驶中通用障碍物检测难题，提出结合多模态基础模型与几何推理的免训练零样本方法，能精准定位达100米，借基础模型先验提升召回率，还可实现可扩展自动标注。

Comments Accepted to CVPR 2026 AUTOPILOT Workshop

Do Egocentric Video-Language Models Capture Both Hand- and Object-Centric Cues?

以自我为中心的视频-语言模型是否捕捉了以手和物体为中心的线索？

Masatoshi Tateno, Alexandros Stergiou, Risa Shinoda, Yoichi Sato, Dima Damen

机构 * The University of Tokyo（东京大学） ； University of Twente（特温特大学） ； University of Bristol（布里斯托大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 研究手部-物体交互识别中现有视频-语言模型的局限，提出结合手部-物体掩码训练与HOI-动态感知解码器的新范式，构建DEHOI测试平台评估，证明该方法更有效利用相关信息，在多方面优于现有模型，提升HOI理解。

Simulating the Resident: Generating Executable Smart Home Schedules via LLM Personas

模拟住户：通过大语言模型角色生成可执行的智能家居日程安排

Victor Jüttner, Xenia Wagner, Christoph Jahn, Erik Buchmann

专题命中 推理与问题求解 ：LLM(title,abstract)

AI总结 该研究针对智能家居领域因收集真实住户数据存在问题，提出利用大语言模型生成多样化住户角色与模拟智能家居交互，通过设计框架、多阶段管道及概念验证，实现可执行日程安排，支持注重隐私的智能家居实验。

Comments Published in the Proc. 1st Symposium on Artificial Intelligence throughout the Human-Centered Design Process (https://dl.gi.de/handle/20.500.12116/48536). Winner of the Best Paper Award

Journal ref Proc. 1st Symposium on Artificial Intelligence throughout the Human-Centered Design Process 2026 (AI-HCD)

TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation

TouchWorld：一种用于灵巧操作的预测性和反应性触觉基础模型

Jianyi Zhou, Feiyang Hong, Yunhao Li, Yicheng Zhao, Yongjue Cen, Zirui Liu, Jiakang Huang, Zirui Chen, Ruiyang Zhang, Weizhuo Zhu, Xuhua Song, Shuo Yang

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； PHANES AI（PHANES人工智能公司） 纠错

专题命中 推理与问题求解 ：foundation model(title,abstract)

AI总结 研究针对日常环境中灵巧操作需预测与反应的问题，提出TouchWorld模型。该模型采用分层策略，分离多项任务。通过将触摸用于预测和反馈，提升局部接触适应性。在六个相关任务中表现出色，超越最强基线。

Detecting Vulnerability-Inducing Commits via Multi-Stage Reasoning with LLM-Based Agents

通过基于大语言模型的智能体进行多阶段推理来检测导致漏洞的提交

Liyou Chen, Hailong Sun, Xiang Gao, Yue Pan

专题命中 推理与问题求解 ：LLM(title,abstract)

AI总结 研究旨在检测导致漏洞的提交，提出基于大语言模型的多智能体框架VIC - RAGENT，利用多个专业智能体提供互补视角，通过多阶段推理过程完善候选漏洞，实验表明其性能优于基线，为VIC检测提供实用方案。

RoboVista: Evaluating Vision Language Models for Diverse Robot Applications

RoboVista：评估用于各种机器人应用的视觉语言模型

Shuangyu Xie, Kaiyuan Chen, Ziyang Chen, Simeon Adebola, Yixuan Huang, Zehan Ma, Tianshuang Qiu, Wentao Yuan, Dhruv Shah, Pannag R. Sanketi, Ken Goldberg

机构 * University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 研究针对机器人多样应用，提出模块化评估框架Robot Question Answering及基准RoboVista，其源于真实机器人系统等，含多任务类型VQA实例，实验表明现有视觉语言模型有差距，且与现实任务执行相关。

Comments Accepted to RSS 2026. Project website: https://berkeleyautomation.github.io/robovista/

Audio-Cogito: Towards Deep Audio Reasoning in Large Audio Language Models

Audio-Cogito：迈向大型音频语言模型中的深度音频推理

Longhao Li, Hongjie Chen, Zehan Li, Qihan Hu, Jian Kang, Jie Li, Lei Xie, Yongxiang Li

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 本文提出Audio-Cogito，通过开发Cogito-pipe数据集和自蒸馏策略，提升音频推理能力，在MMAR基准和Interspeech 2026挑战中表现优异。

Comments Submitted to Interspeech 2026

ReShift: Aha-Moment-Driven Reasoning-Level Backdoor Attacks on Vision-Language Models

ReShift: 视觉-语言模型上基于“啊哈时刻”驱动的推理级后门攻击

Zhihao Dou, Qinjian Zhao, Zhiqiang Gao, Sumon Biswas

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 提出ReShift框架，通过“啊哈时刻”驱动推理轨迹重定向，结合PRDC管道和SRJO策略实现隐蔽的后门攻击，理论保证熵反弹与轨迹发散的联系。

Comments ECCV 2026

Vision-Language Model Reasoning for Contextual Semantic Mapping in Intralogistics

面向内部物流的上下文语义建图中的视觉-语言模型推理

Marvin Rüdt, Hao Pang, Constantin Enke, Zäzilia Seibold, Kai Furmans

机构 * Institute for Material Handling and Logistics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院物流与物料搬运研究所） 纠错

专题命中 推理与问题求解 ：language model(title)；prompting(abstract)

AI总结 提出结合SLAM、SAM、实例聚类和VLM多视角推理的上下文语义建图流程，零样本推断物体可移动性，实现语义分类98.93% mIoU和可移动性估计89.17% mAcc。

Comments Accepted for publication at the 31st IEEE International Conference on Emerging Technologies and Factory Automation (ETFA)

Improving Reasoning in Vision-Language Models via Perception Verified Self-Training

通过感知验证自训练提升视觉-语言模型的推理能力

Sourabh Sharma, Sonam Gupta, Sadbhawna

机构 * Malaviya National Institute of Technology Jaipur（马拉维亚国家理工学院斋浦尔分校） ； IBM Research（IBM研究院） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 提出感知验证自训练框架，通过解耦感知与推理的CoT模板和无监督评估方法PerceptEval，结合两阶段课程学习，提升视觉-语言模型在视觉推理中的准确性并减少幻觉。

Comments Accepted at The European Conference on Computer Vision 2026

Vision-Language Models for Deployable Social Robot Navigation: Bridging Semantic Reasoning and Low-Level Control

面向可部署社交机器人导航的视觉-语言模型：弥合语义推理与低级控制

Runji Cai, Toshihiko Yamasaki, Ling Xiao

机构 * Graduate School of Information Science and Technology, Hokkaido University（弘前大学信息科学与技术研究生院） ； Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 本文综述了将视觉-语言模型（VLM）集成到社交机器人导航中的方法，提出包含高层推理、低层控制及中间机制的统一框架，并讨论了关键挑战与未来方向。

Event-Adaptive Motion Planning with Distilled Vision-Language Model in Safety-Critical Situations

安全关键场景下基于蒸馏视觉语言模型的事件自适应运动规划

Zhenwei Huang, Changsheng You, Shuai Wang, Chao Zhou, Wei Xu, Yi Gong

机构 * Southern University of Science and Technology（南方科技大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Manifold Tech Limited（曼孚科技股份有限公司） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 提出事件自适应运动规划（EAMP）框架，通过可配置语义事件触发器、蒸馏视觉语言模型和语义模型预测控制，在安全关键场景中实现高层推理与底层控制的协同，提升动态安全裕度并保持实时性。

Comments 8 pages, 8 figures, 4 tables. Accepted by IROS 2026

Benchmarking Vision-Language Models for Microscopic Plant Image Understanding

用于植物显微图像理解的视觉语言模型基准测试

Tianqi Wei, Xin Yu, Zhi Chen, Scott Chapman, Zi Huang

机构 * The University of Queensland（昆士兰大学） ； Adelaide University（阿德莱德大学） ； University of Southern Queensland（南昆士兰大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 提出PlantMicro基准，包含5000+图像和9000+VQA对，评估视觉语言模型在植物显微图像理解上的能力，发现现有模型在细粒度识别和生物学推理上表现不佳。

HANCLIP: A Family of Hyperbolic Angular Negation Vision Language Models

HANCLIP：双曲角否定视觉语言模型系列

Hoang-Bao Le, Aiden Durrant, Thai Son Mai, Binh T. Nguyen, Liting Zhou, Cathal Gurrin

机构 * ADAPT Centre Dublin City University, Ireland（爱尔兰都柏林城市大学ADAPT中心） ； University of East Anglia Norwich, UK（英国东英吉利大学） ； Queen’s University Belfast Belfast, UK（英国贝尔法斯特女王大学） ； University of Science Vietnam National University Ho Chi Minh City, Vietnam（越南胡志明市国家大学理科大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 针对视觉语言模型对否定语义脆弱的问题，提出HANCLIP系列，通过双曲空间和角度三元组目标重构嵌入空间，在20K数据上训练，增强否定敏感性同时保持预训练表示，在NegBench等基准上取得一致提升。

TSegAgent: Zero-Shot Tooth Segmentation via Geometry-Aware Vision-Language Agents

TSegAgent：通过几何感知的视觉-语言代理实现零样本牙科分割

Shaojie Zhuang, Lu Yin, Guangshun Wei, Yunpeng Li, Xilu Wang, Yuanfeng Zhou

机构 * Shandong University（山东大学） ； University of Surrey（Surrey大学） ； King's College London（伦敦国王学院） 纠错

专题命中 推理与问题求解 ：language agent(title)；foundation model(abstract)

AI总结 本文提出TSegAgent，通过几何推理而非数据驱动方法，实现零样本牙科分割，减少标注成本并提升泛化能力。

Comments MICCAI 2026; Under review

From Bounding Boxes to Visual Reasoning: An On-Policy Data Annotation Tool for Vision-Language Models

从边界框到视觉推理：一种用于视觉语言模型的在线策略数据标注工具

Like Zhang, Runliang Niu, Shiqi Wang, Xiyu Hu, Qianli Xing, Pan Wang, Qingzu He, Qi Wang

机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； College of Computer Science, Jilin University（吉林大学计算机科学与技术学院） ； OPPO 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 提出ScreenAnnotator，通过统一标注原子模式、在线策略循环与贝叶斯验证器，解决现有工具表达力不足、标注-训练脱节和数据复用性差的问题，实现高效多任务数据生成。

Comments 14 pages, 7 figures

GeoTLM: Geometry-aware Tactile-Language Models for Contact Motion Orientation Reasoning of Dynamic Objects

GeoTLM: 面向动态物体接触运动方向推理的几何感知触觉语言模型

Qiutian Li, Zinan Liu, Lin Wang

机构 * School of EEE, Nanyang Technological University (NTU)（南洋理工大学电气与电子工程学院） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 提出GeoTLM，通过可微几何表示（DGR）提取触觉剪切场中的几何先验，提升动态物体旋转和滑动方向推理能力，在旋转和滑动任务上分别提升14.6%和16.2%的准确率。

Comments 7 pages, 3 figures, 4 tables

SAM: A Mamba-2 State-Space Audio-Language Model

SAM: 一种基于 Mamba-2 状态空间的音频-语言模型

Taehan Lee, Jaehan Jung, Hyukjun Lee

机构 * Sogang University（ソンガン大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 提出 SAM，一种结合 Mamba-2 骨干网络的音频-语言模型，在 AudioSet 和 AudioCaps 上以更少参数达到或超越 7B 变压器模型性能，并系统分析了 SSM 与音频编码器输出的交互机制。

Comments 6 pages, Accepted to Interspeech 2026

Geometric Coastline Localization using Vision-Language Models

基于视觉语言模型的海岸线几何定位

Rafia Malik, Bernhard Pfahringer, Karin Bryan, Mark Dickson, Eibe Frank

机构 * The University of Waikato（怀卡托大学） ； The University of Auckland（奥克兰大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 提出将海岸线提取视为几何边界定位任务，基于GeoChat-7B/LLaVA-1.5架构构建CoastlineVLM-7B模型，直接预测折线而非分割掩码，在几何指标上优于传统分割方法。

Test-Time Scaling in Multimodal Foundation Models: A Comprehensive Survey of Generation and Reasoning

多模态基础模型中的测试时扩展：生成与推理的综合调查

Cong Wan, Ying He, Zhongzhan Huang, Hefeng Wu

机构 * Sun Yat-sen University（中山大学） 纠错

专题命中 推理与问题求解 ：foundation model(title,abstract)

AI总结 本文首次系统综述多模态基础模型中的测试时扩展（TTS）方法，提出统一分类框架（采样、反馈、搜索三类），总结应用与基准，并讨论未来方向。

Comments Accepted by ACL 2026, Findings

TraversalBench: Challenging Paths to Follow for Vision Language Models

TraversalBench: 为视觉语言模型设计的复杂路径挑战测试集

Clara Petrova, Zhuo Chen, Marin Soljačić

机构 * Massachusetts Institute of Technology, Department of Physics（麻省理工学院物理系） ； Massachusetts Institute of Technology, Institute for Data, Systems, and Society（麻省理工学院数据、系统与社会研究所） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用AI研究所） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 本文提出TraversalBench，一个用于评估视觉语言模型复杂视觉路径跟随能力的受控基准测试集，发现自相交是主要困难来源，揭示了模型在路径感知上的局限性。

Global-Local Monte Carlo Tree Search in Vision-Language Models for Text-to-3D Indoor Scene Generation

面向文本到3D室内场景生成的视觉-语言模型中的全局-局部蒙特卡洛树搜索

Mengshi Qi, Wei Deng, Xianlin Zhang, Huadong Ma

机构 * State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, China（网络与交换技术国家重点实验室，北京邮电大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 提出一种全局-局部蒙特卡洛树搜索方法，通过分层场景表示和PRM引导的MCTS解决文本到3D室内场景生成中的错误传播问题，并构建新基准数据集3DTindo-bench。

Cosine Misleads: Auxiliary Losses Reshape Vision Language Models, Not Their Latents

余弦误导：辅助损失重塑视觉语言模型，而非其潜变量

XiuYu Zhang, Junfeng Fang, Zhenkai Liang

机构 * National University of Singapore（新加坡国立大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 本文通过实验发现，在视觉语言模型的潜视觉推理中，余弦相似度等对齐损失与准确性负相关，并引入PRISM诊断工具揭示潜变量被绕过，辅助损失主要通过共享参数重塑语言模型。

NewtPhys: Do Foundation Models Understand Newtonian Physics?

NewtPhys: 基础模型理解牛顿物理学吗？

Sebastian Cavada, Soumava Paul, Tuan-Hung Vu, Andrei Bursuc, Raoul de Charette

机构 * Inria（法国国家信息与自动化研究所） ； Valeo.ai（Valeo人工智能公司） ； MBZUAI（马克斯·普朗克人工智能研究所） 纠错

专题命中 推理与问题求解 ：foundation model(title,abstract)

AI总结 本文提出NewtPhys，一个基于真实场景多视图图像和物理模拟的4D物理标注数据集，用于系统评估基础模型在低层次牛顿物理推理中的能力，揭示了现有模型的局限性。