AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
ControlThinker: 通过视觉推理揭示潜在语义以实现可控图像生成
机构 * Shanghai Key Lab of Intell. Info. Processing, School of CS, Fudan University（上海智能信息处理关键实验室，复旦大学计算机学院） ； Shanghai Collaborative Innovation Center on Intelligent Visual Computing（上海智能视觉计算协同创新中心） ； MiniMax
专题命中 视觉推理 ：visual reasoning(title,abstract)；MLLM(abstract)；分类 cs.CV
AI总结 ControlThinker通过视觉推理挖掘潜在语义，提升可控图像生成的语义一致性和视觉质量。
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
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）
专题命中 视觉推理 ：vision language model(title)；vision-language model(abstract)；VLM(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
GeoReasoner: 基于大规模视觉-语言模型的街景地理定位
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tongji University（同济大学） ； Independent Researcher（独立研究者） ； Information Engineering University（信息工程大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.LG
AI总结 GeoReasoner通过整合外部知识和改进的微调方法，提升了街景地理定位的性能，优于现有模型并节省训练资源。
Syn-GRPO：面向多模态大语言模型感知推理的自进化数据合成
机构 * Zhejiang University（浙江大学） ； Manycore Tech Inc.（Manycore科技公司）
专题命中 视觉推理 ：MLLM(title,abstract)；分类 cs.CV
AI总结 Syn-GRPO通过自进化数据合成提升多模态大语言模型的感知推理能力，采用数据服务器与GRPO工作流协同生成高质量多样化训练数据，实验验证其在视觉感知任务中的优越性能。
ChemVTS-Bench: 评估多模态大语言模型在化学中的视觉-文本-符号推理能力
机构 * Renmin University of China（中国人民大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； South China University of Technology（华南理工大学） ； Gaotu Techedu Inc（高图科技公司）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.AI
AI总结 ChemVTS-Bench通过多模态输入评估大语言模型在化学中的视觉-文本-符号推理能力，揭示了结构化学的挑战及多模态融合的局限性。
合成视觉概念作为视觉-语言程序
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)；visual reasoning(abstract)；分类 cs.AI
AI总结 本研究提出视觉-语言程序（VLP），结合视觉模型的感知灵活性与程序合成的系统推理能力，通过生成结构化视觉描述并编译成神经符号程序，提升复杂逻辑推理任务的性能。
基于空间知识图的多模态合成
机构 * Zhejiang University（浙江大学） ； Nanjing University of Science and Technology（南京理工大学） ； Huzhou University（湖州大学） ； Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 SKG2DATA通过空间知识图引导多模态合成，提升多模态大语言模型的空间感知与推理能力。
Comments IEEE/ACM Transactions on Audio, Speech and Language Processing
视频作答：联合GRPO预测并生成下一个视频事件
机构 * City University of Hong Kong（香港城市大学） ； Kling Team, Kuaishou Technology（快手技术 Kling 团队）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV
AI总结 VANS通过联合GRPO方法，利用强化学习对齐视觉-语言模型与视频扩散模型，实现视频下一个事件预测任务的高精度视频生成与描述生成。
Comments Project page: https://video-as-answer.github.io/
Be My Eyes: 通过多智能体协作扩展大型语言模型到新模态
机构 * University of Southern California（南加州大学） ； Microsoft Research（微软研究院） ； University of California, Davis（加州大学戴维斯分校）
专题命中 视觉推理 ：vision language model(abstract)；分类 cs.AI、cs.LG
AI总结 BeMyEyes通过多智能体协作扩展LLMs到多模态推理，利用高效VLMs与强大LLMs的互补优势，实现轻量级开源解决方案。
多模态医学诊断中的公平性与演示选择
机构 * Arizona State University（亚利桑那州立大学） ； University of Rochester（罗切斯特大学） ； University of Virginia（弗吉尼亚大学） ； UCL（伦敦大学学院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Central Florida（佛罗里达中央大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出FADS方法，通过基于聚类的采样提升多模态医学影像诊断的公平性，减少性别、种族和族裔相关差异，同时保持高准确性。
Comments 10 pages (including 2 pages of references), 4 figures. This work explores fairness in multi-modal medical image reasoning using in-context learning
强化学习真的能激励大语言模型在基础模型之外提升推理能力吗？
机构 * LeapLab, Tsinghua University（清华大学 LeapLab） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 本研究发现RLVR方法未有效激发LLMs的新型推理能力，而蒸馏方法能更有效地扩展模型推理能力。
Comments 31 pages, 27 figures
Journal ref NeurIPS 2025 Oral; ICML 2025 AI4MATH workshop best paper
AirCopBench: 多无人机协作具身感知与推理的基准测试
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 AirCopBench是一个针对多无人机协作具身感知与推理的首个全面基准测试，通过模拟与现实数据生成14600+问题，评估MLLMs在复杂协作场景中的性能差异。
MAGMA-Edu：多智能体生成多模态框架用于文本-图表教育问题生成
机构 * School of Artificial Intelligence, Beijing Normal University（人工智能学院，北京师范大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 MAGMA-Edu通过多智能体框架实现教育问题生成，提升文本与图像的一致性，达到多模态教育内容生成的新水平。
ORIGAMISPACE：基于数学约束的多模态大语言模型多步空间推理基准测试
机构 * Fudan University（复旦大学） ； SII ； INF Technology（INF技术）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 ORIGAMISPACE通过折纸任务评估多模态大语言模型在多步空间推理和数学约束处理中的能力，提出四个评估任务并探索强化学习训练方法。
EventBench: 向事件驱动的大语言模型全面评估迈进
机构 * Xidian University（西安电子科技大学） ； Tsinghua University（清华大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 EventBench通过八个任务指标和大规模数据集全面评估事件驱动MLLMs的能力，揭示其在细粒度识别和空间推理方面的不足。
基于感知证据的强化学习用于多模态推理
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Meituan Inc（美团公司） ； The University of Sydney（悉尼大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 PEARL通过将推理锚定在验证的视觉证据上，提升多模态推理能力，有效解决视觉幻觉和奖励黑客问题。
FinMR：面向高级金融推理的知识密集型多模态基准
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 FinMR是一个面向高级金融推理的知识密集型多模态基准，通过精心设计的问题-答案对和多样化的金融主题，评估专业分析师级别的金融推理能力。
Comments The methodology section contains inaccuracies that may lead to misleading interpretations. The authors have withdrawn this version for correction
MGFRec: 向多接地与反馈的强化推理推荐迈进
专题命中 视觉推理 ：grounding(abstract)
AI总结 MGFRec通过多轮接地和反馈机制提升推荐系统中推理与实际物品空间的一致性，改进推荐效果。
Comments Accepted at KDD 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈