视觉大模型 / VLM

Ref-Adv: Exploring MLLM Visual Reasoning in Referring Expression Tasks

Ref-Adv：探索提及表达任务中的多模态大语言模型视觉推理

Qihua Dong, Kuo Yang, Lin Ju, Handong Zhao, Yitian Zhang, Yizhou Wang, Huimin Zeng, Jianglin Lu, Yun Fu

机构 * Northeastern University（东北大学） 纠错

专题命中 视觉推理 ：visual reasoning(title,abstract)；MLLM(title)；grounding(abstract)；分类 cs.CV、cs.AI

AI总结 Ref-Adv 是一个旨在评估多模态大语言模型视觉推理能力的基准，通过增加表达复杂性和减少干扰项，揭示模型在视觉推理和 grounding 方面的不足。

Comments ICLR 2026

Small Drafts, Big Verdict: Information-Intensive Visual Reasoning via Speculation

小草稿，大结论：通过推测进行信息密集的视觉推理

Yuhan Liu, Lianhui Qin, Shengjie Wang

机构 * New York University（纽约大学） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

专题命中 视觉推理 ：visual reasoning(title)；vision-language model(abstract)；VLM(abstract)；visual question answering(abstract)

AI总结 SV通过结合多个轻量级草稿专家和大型结论模型，提升信息密集视觉推理的效率和准确性。

Comments Accepted to ICLR 2026

Toward Guarantees for Clinical Reasoning in Vision Language Models via Formal Verification

通过形式验证为视觉语言模型中的临床推理提供保证

Vikash Singh, Debargha Ganguly, Haotian Yu, Chengwei Zhou, Prerna Singh, Brandon Lee, Vipin Chaudhary, Gourav Datta

机构 * Case Western Reserve University（凯斯西储大学） 纠错

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

AI总结 通过形式验证框架，为视觉语言模型的临床推理提供保证，验证诊断主张的数学推导性，提升生成临床助手的正确性和精度。

FRIEDA: Benchmarking Multi-Step Cartographic Reasoning in Vision-Language Models

FRIEDA：评估视觉语言模型中多步骤制图推理的基准

Jiyoon Pyo, Yuankun Jiao, Dongwon Jung, Zekun Li, Leeje Jang, Sofia Kirsanova, Jina Kim, Yijun Lin, Qin Liu, Junyi Xie, Hadi Askari, Nan Xu, Muhao Chen, Yao-Yi Chiang

机构 * University of Minnesota-Twin Cities（明尼苏达大学双城分校） ； University of California, Davis（加州大学戴维斯分校） ； University of Southern California（南加州大学） 纠错

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

AI总结 FRIEDA 是一个评估视觉语言模型多步骤制图推理能力的基准，通过多步骤推理和跨地图定位测试，揭示了当前模型在空间智能方面的不足。

Comments Accepted to ICLR 2026

Interpretable Debiasing of Vision-Language Models for Social Fairness

可解释的视觉-语言模型社会公平性偏见消除

Na Min An, Yoonna Jang, Yusuke Hirota, Ryo Hachiuma, Isabelle Augenstein, Hyunjung Shim

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； University of Copenhagen（哥本哈根大学） ； NVIDIA（英伟达公司） 纠错

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

AI总结 本研究提出DeBiasLens框架，通过稀疏自编码器局部化VLM中的社会属性神经元，以可解释的方式消除模型中的社会偏见，同时保持语义知识。

Comments 25 pages, 30 figures, 13 Tables Accepted to CVPR 2026

Thinking with Images as Continuous Actions: Numerical Visual Chain-of-Thought

通过图像作为连续动作进行思考：数值视觉链式推理

Kesen Zhao, Beier Zhu, Junbao Zhou, Xingyu Zhu, Zhongqi Yue, Hanwang Zhang

机构 * Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） ； Chalmers University of Technology（楚克理工大学） ； University of Gothenburg（哥德堡大学） 纠错

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

AI总结 NV-CoT通过将图像推理动作空间扩展为连续欧几里得空间，提升MLLMs的定位精度和回答准确性，同时加速训练收敛。

Radiologist Copilot: An Agentic Framework Orchestrating Specialized Tools for Reliable Radiology Reporting

放射科助手：一种协调专用工具的代理框架以实现可靠的放射学报告

Yongrui Yu, Zhongzhen Huang, Linjie Mu, Shaoting Zhang, Xiaofan Zhang

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； SenseTime Research, Shanghai, China（商汤研究） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） 纠错

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

AI总结 放射科助手通过协调专用工具实现全面的放射学报告流程，提升报告准确性和临床标准符合度。

ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving

ColaVLA: 借助认知潜在推理实现自动驾驶中的分层并行轨迹规划

Qihang Peng, Xuesong Chen, Chenye Yang, Shaoshuai Shi, Hongsheng Li

机构 * Tsinghua University（清华大学） ； CUHK MMLab（香港中文大学MMLab） ； Voyager Research, Didi Chuxing（Voyager Research，滴滴出行） 纠错

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

AI总结 ColaVLA通过统一视觉-语言-动作框架，解决自动驾驶中轨迹规划的效率与准确性问题，实现高效、安全的多尺度轨迹生成。

Comments CVPR2026(Main Conference). Project page: https://pqh22.github.io/projects/ColaVLA/index.html

PointCoT: A Multi-modal Benchmark for Explicit 3D Geometric Reasoning

PointCoT: 一种用于显式3D几何推理的多模态基准

Dongxu Zhang, Yiding Sun, Pengcheng Li, Yumou Liu, Hongqiang Lin, Haoran Xu, Xiaoxuan Mu, Liang Lin, Wenbiao Yan, Ning Yang, Chaowei Fang, Juanjuan Zhao, Jihua Zhu, Conghui He, Cheng Tan

机构 * Xi'an Jiaotong University（西安交通大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Institute of Automation, CASIA（中国科学院自动化研究所） ； Taiyuan University of Technology（太原理工大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 PointCoT通过显式链式推理提升3D几何推理能力，提出多模态基准和双流架构，实现对3D点云的高精度理解与推理。

Veritas: Generalizable Deepfake Detection via Pattern-Aware Reasoning

Veritas：通过模式感知推理实现通用的深度伪造检测

Hao Tan, Jun Lan, Zichang Tan, Ajian Liu, Chuanbiao Song, Senyuan Shi, Huijia Zhu, Weiqiang Wang, Jun Wan, Zhen Lei

机构 * School of Advanced Interdisciplinary Sciences (SAIS), University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； Ant Group（蚂蚁集团） ； Shenzhen Institute of Advanced Technology (SIAT), Chinese Academy of Sciences（中国科学院深圳先进技术研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

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

AI总结 Veritas通过模式感知推理，基于多模态大语言模型实现通用深度伪造检测，提升对未知伪造技术和数据领域的检测能力。

Comments ICLR 2026 Oral. Project: https://github.com/EricTan7/Veritas

Reasoning-Driven Multimodal LLM for Domain Generalization

基于推理的多模态大语言模型用于领域泛化

Zhipeng Xu, Zilong Wang, Xinyang Jiang, Dongsheng Li, De Cheng, Nannan Wang

机构 * Xidian University（西安电子科技大学） ； Microsoft Research Asia（微软亚洲研究院） ； National Engineering Laboratory for Integrated Aero-Space-Ground- Ocean Big Data Application（国家一体化空天地海大数据应用工程实验室） 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RD-MLDG框架，利用多模态大语言模型的推理能力，通过引入多任务交叉训练和自我对齐的推理正则化，提升领域泛化性能。

Comments Accepted at ICLR 2026 (Poster)

Domain-Partitioned Hybrid RAG for Legal Reasoning: Toward Modular and Explainable Legal AI for India

领域划分混合RAG用于法律推理：迈向模块化和可解释的印度法律AI

Rakshita Goel, S Pranav Kumar, Anmol Agrawal, Divyan Poddar, Pratik Narang, Dhruv Kumar

机构 * Birla Institute of Technology and Science, Pilani（巴尔·印度技术科学学院，比兰地） 纠错

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

AI总结 本研究提出了一种针对印度法律研究的领域划分混合RAG与知识图谱架构，通过模块化设计和结构化关系推理提升法律AI的可解释性和推理能力。

Thinking with Drafts: Speculative Temporal Reasoning for Efficient Long Video Understanding

通过草稿思考：用于高效长视频理解的推测性时间推理

Pengfei Hu, Meng Cao, Yingyao Wang, Yi Wang, Jiahua Dong, Jun Song, Yu Cheng, Bo Zheng, Xiaodan Liang

机构 * MBZUAI（马克斯·普朗克智能研究院） ； Alibaba Group Holding Limited（阿里巴巴集团控股有限公司） ； Shanghai AI Lab（上海人工智能实验室） 纠错

专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV

AI总结 SpecTemp通过协作双模型设计，实现高效长视频理解，平衡效率与准确性，提升推理速度。

Comments Accepted by CVPR 26