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。
像阅读文本一样理解图像：视觉-语言模型中的序列图像理解
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV
AI总结 本文提出通过序列化方法理解图像内容，揭示视觉-语言模型中对象识别与空间感知的机制，改进解码效率并增强空间推理能力。
SPD-Faith Bench: 诊断和改进多模态大语言模型中的推理忠实性
机构 * Xidian University（西安电子科技大学） ； National University of Singapore（新加坡国立大学） ； Xi’an Jiaotong University（西安交通大学）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 SPD-Faith Bench通过细粒度图像差异推理诊断并改进多模态大语言模型中的推理忠实性，揭示了感知盲区和感知-推理脱节的系统性失败模式，并提出SAGE框架提升视觉路由和推理与感知的一致性。
Comments 53 pages, 42 figures, 14 tables
MomaGraph: 体感任务规划中的状态感知统一场景图
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Toronto（多伦多大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 MomaGraph通过统一场景图与强化学习模型，实现家庭环境中体感任务规划的高效任务规划与场景理解。
Comments 25 pages, 10 figures. Project page:https://hybridrobotics.github.io/MomaGraph/
弥合语音、情感与运动：一种基于视觉语言模型的多模态边缘可部署框架用于人形机器人
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院）
专题命中 视觉推理 ：VLM(title)；vision language model(abstract)；分类 cs.AI
AI总结 本文提出SeM$^2$框架，通过多模态感知、思维链推理和语义序列对齐机制，实现情感一致的多模态交互，提升人形机器人在现实环境中的社交表达能力。
弱到强：基于VLM的伪标签作为多模态视频隐藏情绪理解任务中的弱监督训练策略
机构 * The University of New South Wales, Sydney, New South Wales, Australia（新南威尔士大学） ； The University of Sydney, Sydney, New South Wales, Australia（悉尼大学） ； School of Software and Microelectronics, Peking University, Zibo, Shandong, China（北京大学软件与微电子学院） ； Shandong University of Technology, Beijing, China（山东理工大学）
专题命中 视觉推理 ：VLM(title)；分类 cs.CV、cs.AI
AI总结 本文提出基于VLM的伪标签弱监督方法，用于多模态视频隐藏情绪识别，提升准确率至0.69并建立新基准。
UrbanGraphEmbeddings: 学习和评估空间导向的多模态嵌入用于城市科学
机构 * National University of Singapore Department of Architecture Singapore ； The Chinese University of Hong Kong Dept of Systems Eng. \& Eng. Mgmt. China ； Singapore Management University School of Computing \& Info. Systems Singapore ； National University of Singapore ； Department of Architecture ； The Chinese University of Hong Kong ； Singapore Management University
专题命中 视觉推理 ：VLM(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出UGE框架，通过空间导向的多模态嵌入提升城市理解任务性能，实验显示在图像检索和地理位置排名上取得显著提升。
CoTZero：通过分层合成CoT实现无标注的人类级视觉推理
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong MMLab（香港中文大学 MMLab） ； The College of Computer Science and Technology（计算机科学与技术学院） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 CoTZero通过双阶段数据合成和认知对齐训练，实现无标注的人类级视觉推理，提升模型的层次推理和泛化能力。
Comments 16 pages 6 figures
MLLMs真的能看见吗：在多模态大语言模型中强化视觉注意力
机构 * Shanghai Jiao Tong University（上海交通大学） ； Northwestern Polytechnical University（西北工业大学）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 SAYO通过强化学习框架引入区域级视觉注意力奖励，提升多模态大语言模型的视觉聚焦能力，从而在多种推理和感知任务中取得性能提升。
MosaicThinker: 通过迭代构建空间表示实现设备端具身AI的视觉空间推理
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Pittsburgh（匹兹堡大学）
专题命中 视觉推理 ：VLM(abstract)；visual language model(abstract)；分类 cs.CV、cs.AI
AI总结 MosaicThinker通过迭代构建空间表示，提升设备端具身AI在复杂跨帧空间推理任务中的准确性。
什么是、是否以及如何？揭示图像推理中的过程奖励模型
专题命中 视觉推理 ：vision language model(abstract)；visual reasoning(abstract)；分类 cs.CV
AI总结 本研究提出首个图像推理范式下的PRMs综合基准，定义7种细粒度错误类型，揭示当前LVLMs在视觉推理评估中的不足，为改进PRMs提供基础。
视频过程推理
机构 * Sun Yat-sen University, China（中山大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； Snap Inc.（Snap公司）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 视频过程推理框架通过结构化推理步骤提升视频理解的准确性与可解释性。
AD-MIR：通过结构化推理弥合从感知到说服的广告视频理解鸿沟
机构 * Peking University, Beijing, China（北京大学） ； Tsinghua University, Beijing, China（清华大学） ； Xi'an Jiaotong University, Xi'an, China（西安交通大学） ； South China University of Technology, Guangzhou, China（华南理工大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 AD-MIR通过结构化推理框架，结合语义检索与精确关键词匹配，有效解码广告意图，提升广告视频理解的准确性与说服策略分析能力。
TACIT：面向隐式思维的变换感知捕捉
机构 * Independent Researcher（独立研究者）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 TACIT提出一种基于扩散的Transformer模型，通过像素空间中的校正流实现可解释的视觉推理，在迷宫求解中展示了隐式思维的同步涌现特性。
Comments 25 pages, 7 figures
AVERE: 通过偏好优化提升音频视觉情感推理
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 AVERE通过偏好优化技术提升音频视觉情感推理性能，解决情感与无关线索的虚假关联和幻觉问题，提升多模态模型在情感理解中的表现。
Comments Accepted as a conference paper at ICLR 2026. Project page: https://avere-iclr.github.io
OSCAR：基于优化的代理规划用于组合图像检索
机构 * Shanghai Jiao Tong University（上海交通大学）
专题命中 视觉推理 ：VLM(abstract)；分类 cs.AI
AI总结 OSCAR通过优化引导的代理规划框架，提升组合图像检索的性能，仅用10%训练数据即超越现有最佳方法。
VirtualEnv: 一个用于具身AI研究的平台
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 VirtualEnv是一个基于Unreal Engine 5的开源平台，用于评估LLM在具身和交互场景中的能力，支持多智能体协作和程序生成任务，旨在推动AI与游戏的交叉研究。
UNeMo：通过多模态世界模型实现协作的视觉-语言推理与导航
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI
AI总结 UNeMo通过多模态世界模型实现视觉-语言推理与导航的协作优化，提升导航准确率。
VisionReasoner: 通过强化学习实现统一的推理集成视觉感知
机构 * CUHK（香港中文大学） ； SmartMore（SmartMore公司） ； HKUST（香港理工大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 VisionReasoner通过强化学习实现统一的推理集成视觉感知，其在检测、分割和计数任务中均取得优于基线模型的性能。
ToMigo：可解释的设计概念图用于对齐生成式AI与创意意图
专题命中 视觉推理 ：multimodal large language model(abstract)
AI总结 ToMigo通过设计概念图实现生成式AI与创意意图的对齐，提供可解释的交互方式提升用户控制力。
Comments 18 pages, 10 figures, 2 tables
ARGOS：通过属性引导的组合推理实现具身AI的自动功能安全需求合成
机构 * Southern University of Science and Technology, Shenzhen, China（南方科技大学, 深圳, 中国） ； City University of Hong Kong, Hong Kong, China（香港城市大学, 香港, 中国） ； The University of Tokyo, Tokyo, Japan（东京大学, 东京, 日本） ； Lingnan University, Hong Kong, China（岭南大学, 香港, 中国）
专题命中 视觉推理 ：grounding(abstract)
AI总结 ARGOS通过属性引导的组合推理，实现具身AI自动功能安全需求生成，提升开放环境中的安全性和可靠性。
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