Reasoning Visual Language Model for Chest X-Ray Analysis
机构 * NVIDIA ； NIH/NCI ； CHOP/UPenn ； Basaksehir Cam and Sakura City Hospital
专题命中 视觉推理 ：visual language model(title)；vision-language model(abstract)；分类 cs.CV
Comments NV-Reason-CXR-3B
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
1. 视觉推理 12 篇
Latent Chain-of-Thought for Visual Reasoning
机构 * Rochester Institute of Technology（罗切斯特技术研究所） ； Snap Inc.（Snap公司） ； University of Rochester（罗切斯特大学） ； DEVCOM Army Research Laboratory（陆军研究实验室）
专题命中 视觉推理 ：visual reasoning(title)；vision-language model(abstract)；分类 cs.AI
Comments NeurIPS 2025
Open3D-VQA: A Benchmark for Comprehensive Spatial Reasoning with Multimodal Large Language Model in Open Space
机构 * Tsinghua University（清华大学） ； Pengcheng Laboratory（鹏城实验室） ； Sun Yat-sen University（中山大学）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.CV
Counteracting Matthew Effect in Self-Improvement of LVLMs through Head-Tail Re-balancing
机构 * Fudan University（复旦大学） ； Meituan（美团） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI、cs.LG
Comments Preprint
Are Video Models Ready as Zero-Shot Reasoners? An Empirical Study with the MME-CoF Benchmark
机构 * CUHK（香港中文大学） ； IMIXR ； MMLab ； Peking University（北京大学） ； Northeastern University（东北大学）
专题命中 视觉推理 ：visual reasoning(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
Comments Project Page: https://video-cof.github.io
D-HUMOR: Dark Humor Understanding via Multimodal Open-ended Reasoning -- A Benchmark Dataset and Method
机构 * Indian Institute of Information Technology Dharwad, India（印度达拉瓦德信息科技学院） ； Indian Institute of Technology Indore, India（印度印度理工学院） ； Malaviya National Institute of Technology Jaipur, India（马拉维亚国家理工学院）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV
Comments Accepted at IEEE International Conference on Data Mining (ICDM) 2025
Humains-Junior: A 3.8B Language Model Achieving GPT-4o-Level Factual Accuracy by Directed Exoskeleton Reasoning
机构 * Humains AI Research（Humains人工智能研究） ； Inpris Ltd（Inpris公司）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI、cs.LG
MemEIC: A Step Toward Continual and Compositional Knowledge Editing
机构 * Electronics and Telecommunications Research Institute, Republic of Korea（韩国电子电信研究院） ； POSTECH ； Sungkyunkwan University（全南大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI、cs.LG
Comments NeurIPS 2025, 38 pages, 8 figures
Revealing Multimodal Causality with Large Language Models
机构 * University of Technology Sydney（技术大学悉尼大学） ； Tongji University（同济大学） ； University of Melbourne（墨尔本大学） ； University of Sydney（悉尼大学） ； Macquarie University（麦考瑞大学）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.AI、cs.LG
Comments Accepted at NeurIPS 2025
CAUSAL3D: A Comprehensive Benchmark for Causal Learning from Visual Data
机构 * Case Western Reserve University（凯斯西储大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.LG
Comments Datasets link: https://huggingface.co/datasets/LLDDSS/Causal3D_Dataset
OracleAgent: A Multimodal Reasoning Agent for Oracle Bone Script Research
机构 * Xiamen University（厦门大学） ； Anyang Normal University（安阳师范学院） ； Tencent YouTu Lab（腾讯YouTu实验室） ； Tencent SSV（腾讯SSV）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
Neurosymbolic Diffusion Models
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.LG
Comments Accepted to NeurIPS 2025
