视觉大模型 / VLM

Cube Bench: A Benchmark for Spatial Visual Reasoning in MLLMs

Cube Bench: 一个用于多模态大语言模型空间视觉推理的基准测试

Dhruv Anand, Ehsan Shareghi

机构 * Department of Data Science and AI, Monash University（数据科学与人工智能系，墨尔本大学） 纠错

专题命中 视觉推理 ：visual reasoning(title)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI

AI总结 Cube Bench通过评估多模态大语言模型在空间视觉推理中的能力，揭示了模型在复杂任务中的表现差异及自我纠正的局限性。

Comments 27 pages, 5 figures, 9 tables. Cube available at https://github.com/dana-23/cube-bench

Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models

在4D中学习推理：面向视觉语言模型的动态空间理解

Shengchao Zhou, Yuxin Chen, Yuying Ge, Wei Huang, Jiehong Lin, Ying Shan, Xiaojuan Qi

机构 * The University of Hong Kong（香港大学） ； ARC Lab, Tencent PCG（腾讯PCG实验室） 纠错

专题命中 视觉推理 ：vision language model(title)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV

AI总结 本研究提出DSR套件，通过生成多选题-答案对和轻量级几何选择模块提升视觉语言模型的动态空间推理能力。

Chain-of-Anomaly Thoughts with Large Vision-Language Models

基于大视觉-语言模型的异常思维链

Pedro Domingos, João Pereira, Vasco Lopes, João Neves, David Semedo

机构 * NOVALINCS, NOVA School of Science and Technology（NOVALINCS、NOVA科学与技术学院） ； NOVALINCS, Universidade da Beira Interior（NOVALINCS、贝拉内尔大学） ； DeepNeuronic 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV

AI总结 本文提出CoAT框架，通过引入异常偏见提升大视觉-语言模型在异常检测和分类任务中的性能。

Comments 2 pages, 3 figures, 1 table. Accepted for RECPAD 2025

LongVideoAgent: Multi-Agent Reasoning with Long Videos

LongVideoAgent: 多智能体推理与长视频

Runtao Liu, Ziyi Liu, Jiaqi Tang, Yue Ma, Renjie Pi, Jipeng Zhang, Qifeng Chen

机构 * Hong Kong University of Science and Technology（香港理工大学） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI、cs.LG

AI总结 LongVideoAgent通过多智能体框架实现长视频的多模态推理，利用强化学习提升多智能体协作效率，优于现有基线方法。

Multi-Agent Intelligence for Multidisciplinary Decision-Making in Gastrointestinal Oncology

多智能体智能在胃肠肿瘤多学科决策中的应用

Rongzhao Zhang, Junqiao Wang, Shuyun Yang, Mouxiao Bian, Chihao Zhang, Dongyang Wang, Qiujuan Yan, Yun Zhong, Yuwei Bai, Guanxu Zhu, Kangkun Mao, Miao Wang, Chao Ding, Renjie Lu, Lei Wang, Lei Zheng, Tao Zheng, Xi Wang, Zhuo Fan, Bing Han, Meiling Liu, Luyi Jiang, Dongming Shan, Wenzhong Jin, Jiwei Yu, Zheng Wang, Jie Xu, Meng Luo

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Ninth People’s Hospital, Shanghai Jiao Tong University School of Medicine（上海第九人民医院，上海交通大学医学院） ； Renji Hospital, Shanghai Jiao Tong University School of Medicine（仁济医院，上海交通大学医学院） ； Shanghai Institute of Infectious Disease and Biosecurity, Fudan University（上海市传染病防治研究所暨生物安全研究所，复旦大学） ； Shanghai Health Development Research Center (Shanghai Medical Information Center)（上海市卫生健康发展研究中心（上海市医疗信息中心）） ； Shanghai Kupas Technology Co., Ltd.（上海库帕斯科技有限公司） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI

AI总结 本文提出基于多智能体的框架，用于提升胃肠肿瘤多学科决策的自动化支持，通过模拟多学科团队协作，提高推理逻辑和医疗准确性。

CardAIc-Agents: A Multimodal Framework with Hierarchical Adaptation for Cardiac Care Support

CardAIc-Agents: 一种用于心脏护理支持的多模态框架，具有分层适应性

Yuting Zhang, Karina V. Bunting, Asgher Champsi, Xiaoxia Wang, Wenqi Lu, Alexander Thorley, Sandeep S Hothi, Zhaowen Qiu, Baturalp Buyukates, Dipak Kotecha, Jinming Duan

机构 * School of Computer Science, University of Birmingham, UK（英国伯明翰大学计算机科学学院） ； Department of Cardiovascular Sciences, University of Birmingham, UK（英国伯明翰大学心血管科学系） ； NIHR Birmingham Biomedical Research Centre and West Midlands NHS Secure Data Environment, University Hospitals Birmingham NHS Foundation Trust, UK（英国伯明翰大学医院 NHS 基础信任机构） ； Department of Computing and Mathematics, Manchester Metropolitan University, UK（曼彻斯特 Metropolitan 大学计算与数学系） ； Department of Cardiology, Heart and Lung Centre, Royal Wolverhampton NHS Trust, UK（皇家沃尔夫汉普顿 NHS 委员会心内科部门） ； College of Computer and Control Engineering, Northeast Forestry University, China（中国东北林业大学计算机与控制工程学院） ； Julius Center, University Medical Center Utrecht, the Netherlands（荷兰乌得勒支大学医学中心朱利叶斯中心） ； Division of Informatics, Imaging and Data Sciences, University of Manchester, UK（英国曼彻斯特大学信息学、成像与数据科学系） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI

AI总结 CardAIc-Agents通过多模态框架和分层适应性，提升心脏护理支持的效率和灵活性，有效解决传统AI代理在适应性推理、工具支持、知识更新和视觉输出方面的不足。

RemoteReasoner: Towards Unifying Geospatial Reasoning Workflow

RemoteReasoner: 向统一地理空间推理流程迈进

Liang Yao, Fan Liu, Hongbo Lu, Chuanyi Zhang, Rui Min, Shengxiang Xu, Shimin Di, Pai Peng

机构 * COWARobot 纠错

专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV

AI总结 RemoteReasoner通过强化学习实现统一地理空间推理流程，具备多粒度任务处理能力和自主推理能力。

Memory-T1: Reinforcement Learning for Temporal Reasoning in Multi-session Agents

Memory-T1: 基于强化学习的多会话代理时间推理

Yiming Du, Baojun Wang, Yifan Xiang, Zhaowei Wang, Wenyu Huang, Boyang Xue, Bin Liang, Xingshan Zeng, Fei Mi, Haoli Bai, Lifeng Shang, Jeff Z. Pan, Yuxin Jiang, Kam-Fai Wong

机构 * The Chinese University of Hong Kong（香港中文大学） ； Huawei Technologies Co.,Ltd（华为技术有限公司） ； HKUST（香港科技大学） ； The University of Edinburgh（爱丁堡大学） 纠错

专题命中 视觉推理 ：grounding(abstract)

AI总结 Memory-T1通过强化学习提升多会话代理的时间推理能力，实现7B模型在Time-Dialog基准上的67.0%高分，优于基线模型。