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。
SpatialMosaic：一个多视角VLM数据集用于部分可见性
机构 * Seoul National University（首尔大学） ； University College London（伦敦大学学院） ； Kyung Hee University（庆熙大学） ； POSTECH（浦项科技大学）
专题命中 视觉推理 ：VLM(title,title_cn)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出SpatialMosaic数据集，通过多视角图像生成2M问答对，引入SpatialMosaic-Bench基准测试，结合3D重建模型的混合框架提升空间推理能力。
MapReason-OSM：视觉语言模型能否从街道地图中做出可图验证的移动决策？
机构 * NVIDIA（英伟达） ； University of Central Florida（中佛罗里达大学） ； University of South Florida（南佛罗里达大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(summary_cn,abstract_cn)；分类 cs.CV
AI总结 提出MapReason-OSM基准，通过自渲染OpenStreetMap面板和隐藏街道图，评估VLM在路由、设施定位等任务中做出可图验证的移动决策的能力，发现模型在图形成本推理和跨缩放一致性上表现不佳。
Comments 9 pages, 7 figures. Submitted to ACM SIGSPATIAL 2026 (Industrial Track). Code and data: https://github.com/Vi-Sri/mapreason-osm
结构优先于规模：从教育视频中学习视觉推理
机构 * Northeastern University（东北大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；visual question answering(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出SoSVQA基准，利用教育视频中的结构化推理轨迹提升视觉语言模型的推理能力，通过GRPO优化在少量数据下实现显著性能提升。
视觉-语言模型真的能进行视觉推理吗？一种对模态差距的严格研究
机构 * College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院，新加坡） ； Alibaba-NTU Global e-Sustainability CorpLab (ANGEL)（阿里巴巴-国立大学全球可持续发展公司实验室（ANGEL）） ； Tongyi Lab, Alibaba Group, China（阿里云实验室，阿里巴巴集团，中国）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；visual reasoning(abstract)；分类 cs.CV
AI总结 本文通过CrossMath基准测试，发现视觉-语言模型在文本输入时表现优异，但加入图像信息后推理性能下降，表明其推理主要依赖文本空间，而非真实视觉证据。
空间推理并非免费午餐：对LLaVA的受控研究
机构 * Cohere Labs Community（Cohere Labs社区） ； Indian Institute of Science, Bangalore（印度科学研究所班加罗尔分校） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Imperial College London（伦敦帝国学院） ； Eisai Inc.（卫材公司） ； EleutherAI ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉推理 ：LLaVA(title,abstract)；vision-language model(abstract)；VLM(abstract)；grounding(abstract)
AI总结 本文通过LLaVA框架探讨了空间推理能力不足的原因，发现图像编码器设计和位置编码结构对空间理解有显著影响，但无法完全解决空间推理问题。
Comments Accepted as a poster at ICLR 2026 workshop ICBINB, typo fixed
ViPlan：一个用于视觉规划的基准，结合符号谓词和视觉-语言模型
机构 * Fondazione Bruno Kessler（布鲁诺·科塞拉基金会） ； Department of Computer Science, Aalto University（艾尔沃斯大学计算机科学系） ； Department of Mathematics, Università degli Studi di Padova（帕多瓦大学数学系）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；visual reasoning(abstract)；grounding(abstract)
AI总结 ViPlan是一个用于视觉规划的基准，比较基于VLMs的符号方法与直接VLM规划方法，发现不同方法在不同任务中的表现差异。
Comments 8 pages, 5 figures and 1 table in the main text; 50 pages, 16 figures and 19 tables including supplementary material
视觉推理追踪器：对象级 grounded 推理基准
机构 * UC Merced（加州大学默塞德分校） ； PKU（北京大学） ； NTU（国立台湾大学） ； CUHK（香港中文大学） ； WHU（武汉大学） ； FDU（福建大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；visual question answering(abstract)；grounding(abstract)；multimodal large language model(abstract)
AI总结 本文提出视觉推理追踪器任务，通过对象级 grounded 推理基准评估模型的推理路径生成能力，并引入了新的评估指标和大规模数据集提升模型推理表现。
Comments Technical Report; Project Page: https://harboryuan.github.io/visual-reasoning-tracer
机构 * School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； Ministry of Education Key Laboratory of Intelligent Networks and Network Security, China（教育部智能网络与网络安全重点实验室） ； Shaanxi Province Key Laboratory of Big Data Knowledge Engineering, China（陕西省大数据知识工程重点实验室） ； IHPC, Agency for Science, Technology and Research, Singapore（新加坡科技研究局IHPC） ； Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院）
专题命中 视觉推理 ：visual language model(title)；vision language model(abstract)；LLaVA(abstract)；InternVL(abstract)
机构 * Microsoft Research（微软研究院） ； Tsinghua University（清华大学） ； Hong Kong University of Science and Technology（香港理工大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；grounding(abstract)；multimodal large language model(abstract)；MLLM(abstract)
机构 * Purdue University（普渡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Connecticut（康涅狄格大学） ； University of California Berkeley（加州大学伯克利分校）
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract)；visual question answering(abstract)；grounding(abstract)
机构 * Nanyang Technological University（南洋理工大学） ； Beijing University of Technology（北京理工大学） ； Hengxin Tech（恒心科技） ； Alibaba Group（阿里巴巴集团） ； Squirrel Ai Learning（squirrel AI 学习）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；visual reasoning(abstract)；multimodal large language model(abstract)
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract)；multimodal large language model(abstract)；MLLM(abstract)
专题命中 视觉推理 ：visual language model(title)；vision-language model(abstract)；VLM(abstract)；visual reasoning(abstract)
Comments 21 pages, 10 figures
从多模态大语言模型中榨取能力用于主题驱动生成
机构 * University of Toronto & Vector Institute（多伦多大学及向量研究所） ； Adobe（Adobe公司） ； Google（谷歌公司）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出一种结合多模态大语言模型和VAE身份条件的方法，通过双层级聚合模块和多阶段去噪策略，在主题驱动图像生成中实现多模态理解与身份保持的平衡，优于现有方法。
Comments 33 pages, 18 figures, Project Page: https://zsh2000.github.io/squeeze-mllm-subject-gen/
MedClaw：用于长程手术视频推理的启发式智能体框架
机构 * School of Automation and Intelligence, Beijing Jiaotong University（北京交通大学自动化与智能学院） ； University of Maryland（马里兰大学） ； Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州高等研究院） ； University of British Columbia（不列颠哥伦比亚大学） ； Beijing Tiantan Hospital, Capital Medical University（首都医科大学附属北京天坛医院）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出MedClaw智能体框架，通过分离推理与感知、启发式技能蒸馏循环，在仅需约100个标注示例的情况下，于自建及公开手术视频基准MedClawBench上，显著优于现有一次性VLM和通用视频智能体。
SPARC: 分离感知与推理回路以实现VLM的测试时扩展
机构 * ETH Zürich（苏黎世联邦理工学院） ； IBM Research（IBM研究院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
专题命中 视觉推理 ：VLM(title_cn,abstract_cn)；vision-language model(abstract)；visual reasoning(abstract)；grounding(abstract)
AI总结 提出SPARC框架，通过显式分离视觉感知与推理，实现测试时动态扩展和不对称计算分配，在视觉推理任务中优于基线方法。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
AMVICC: 一种用于VLM和IGM跨模态故障模式分析的新型基准
机构 * Centennial High School, Frisco, Texas, USA（Centennial High School, Texas, USA） ； Lebanon Trail High School, Frisco, Texas, USA（Lebanon Trail High School, Texas, USA） ； West Windsor-Plainsboro High School, Princeton Junction, New Jersey, USA（West Windsor-Plainsboro High School, New Jersey, USA） ； Algoverse AI Research, Palo Alto, California, USA（Algoververse AI Research, California, USA）
专题命中 视觉推理 ：VLM(title_cn)；vision-language model(abstract)；vision language model(abstract)；visual reasoning(abstract)
AI总结 提出AMVICC基准，通过图像到文本和文本到图像任务系统比较多模态大模型和图像生成模型的视觉推理失败模式，发现故障模式在模型和模态间共享，但存在特定于模型和模态的失败。
Comments 14 pages, 4 figures, 8 tables. Presented at the 39th Conference on Neural Information Processing Systems Workshop: VLM4RWD. Presented at the 43th International Conference on Machine Learning Workshops: ICML 2026 CTB, ICML 2026 FAGEN, ICML 2026 EMM-QA. Authors Aahana Basappa and Pranay Goel contributed equally. Code: https://github.com/AahanaB24/AMVICC, Data: https://doi.org/10.5281/zenodo.17646068
先看后思：解耦感知与推理以实现抗捷径的多模态在策略自蒸馏
机构 * State Key Laboratory of Robotics and Intelligent Systems, Shenyang Institute of Automation, Chinese Academy of Sciences（机器人与智能系统国家重点实验室，沈阳自动化研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉推理 ：MLLM(summary_cn,abstract)；grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 提出ViGOS框架，通过解耦感知和推理，在MLLM后训练中避免文本捷径，提升图像依赖行为。
Comments 29 pages, 5 figures, 8 tables; Project page: https://oedosoldier.github.io/ViGOS/
VGR：视觉基础推理
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； ByteDance Inc.（字节跳动公司）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；LLaVA(abstract)；visual reasoning(abstract)；grounding(abstract)
AI总结 本文提出VGR，一种增强视觉感知的多模态大语言模型，通过图像区域检测与回放提升多模态推理能力，在多个基准测试中表现优异。
Comments 9 pages, 4 figures
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(title)；分类 cs.CV、cs.AI
Comments 13 pages, 5 figure
面向内部物流的上下文语义建图中的视觉-语言模型推理
机构 * Institute for Material Handling and Logistics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院物流与物料搬运研究所）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；vision-language model(title)
AI总结 提出结合SLAM、SAM、实例聚类和VLM多视角推理的上下文语义建图流程，零样本推断物体可移动性，实现语义分类98.93% mIoU和可移动性估计89.17% mAcc。
Comments Accepted for publication at the 31st IEEE International Conference on Emerging Technologies and Factory Automation (ETFA)
从结构到协同：多模态大语言模型中视觉-语言感知范式演进综述
机构 * School of Computer Science, Sichuan University（四川大学计算机学院） ； School of Electronic and Computer Engineering, Peking University Shenzhen Graduate School（北京大学深圳研究生院电子与计算机工程学院） ； Institute of Artificial Intelligence (TeleAI), China Telecom and Northwestern Polytechnical University（中国电信与西北工业大学人工智能研究院（TeleAI））
专题命中 视觉推理 ：multimodal large language model(title,abstract)；MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文系统综述多模态大语言模型中统一视觉-语言感知的范式演进，提出五阶段分类法，梳理各阶段代表性方法，并指出开放挑战与未来方向。
AssemLM: 用于机器人装配的空间推理多模态大语言模型
机构 * Fudan University（复旦大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究所（TeleAI），中国电信） ； Tianjin University（天津大学） ； Northwestern Polytechnical University（西北工业大学） ； Tsinghua University（清华大学） ； City University of Hong Kong（香港城市大学）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；vision-language model(abstract)；VLM(abstract_cn)；grounding(abstract)
AI总结 提出AssemLM，一种融合装配手册、点云和文本指令的多模态大语言模型，通过专用点云编码器提取几何与旋转特征，实现精确的6D装配位姿推理，并构建含90万样本的AssemBench基准，在真实机器人装配任务中取得最优性能。
Comments Project Page: https://assemlmhome.github.io/
V-REX: 通过问题链进行探索性视觉推理的基准测试
机构 * University of Maryland, College Park（马里兰大学学院市分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出V-REX基准，通过问题链将多步探索推理分解为规划和遵循能力，评估视觉语言模型在复杂开放任务中的表现。
Comments 28 pages
文本监督增强视觉-语言模型中的地理空间表示
机构 * University of São Paulo（圣保罗大学） ； National University of Singapore（新加坡国立大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；LLaVA(abstract,abstract_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究视觉、视觉-语言及多模态模型的地理空间表示能力，发现文本监督能有效提升空间编码，推动地理空间AI发展。
Comments Accepted at ICML 2026
检索、整合与综合：空间-语义 grounded 的潜在视觉推理
机构 * State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, and Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（人机混合增强智能国家重点实验室，人工智能与机器人研究院，西安交通大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)
AI总结 本文提出RIS框架，通过空间-语义 grounded 方法改进多模态大语言模型的视觉推理，通过构建逐步 grounded 数据集并引入短语言过渡token，提升潜在状态与词汇对齐的解码能力，实验显示在多个基准上优于现有基线。
Comments 19 pages, 8 figures
VisPlay: 从图像中自我进化视觉-语言模型
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of Maryland（马里兰大学） ； National University of Singapore（新加坡国立大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 VisPlay通过自我进化强化学习框架，利用未标注图像数据提升视觉-语言模型的推理能力，实现多模态智能的可扩展发展。
Orion：一个多模态感知、高级视觉推理与执行的统一视觉代理
机构 * VLM Run Research（VLM Run研究）
专题命中 视觉推理 ：visual reasoning(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 Orion通过整合视觉推理与工具增强执行，实现了多模态感知、高级视觉推理与执行的统一，提升多步骤视觉智能性能。
机构 * Warsaw University of Technology, Warsaw, Poland（华沙技术大学） ； AGH University of Krakow, Krakow, Poland（克拉科夫AGH大学）
专题命中 视觉推理 ：multimodal large language model(title,abstract)；visual reasoning(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI、cs.LG
Comments Accepted to The Forty-Second International Conference on Machine Learning (ICML 2025)
专题命中 视觉推理 ：visual language model(title,abstract)；VLM(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI、cs.LG
Comments 31 pages, 3 figures, 1 supplementary document with 1 figure and 51 sample images; corrected typo in Fig 1
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