视觉大模型 / VLM

I2I-STRADA -- Information to Insights via Structured Reasoning Agent for Data Analysis

SaiBarath Sundar, Pranav Satheesan, Udayaadithya Avadhanam

机构 * Mphasis Limited（默比斯有限公司） 纠错

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

FUDOKI: Discrete Flow-based Unified Understanding and Generation via Kinetic-Optimal Velocities

Jin Wang, Yao Lai, Aoxue Li, Shifeng Zhang, Jiacheng Sun, Ning Kang, Chengyue Wu, Zhenguo Li, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

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

Comments 37 pages, 12 figures

Can Your Model Separate Yolks with a Water Bottle? Benchmarking Physical Commonsense Understanding in Video Generation Models

Enes Sanli, Baris Sarper Tezcan, Aykut Erdem, Erkut Erdem

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

VisualToolAgent (VisTA): A Reinforcement Learning Framework for Visual Tool Selection

Zeyi Huang, Yuyang Ji, Anirudh Sundara Rajan, Zefan Cai, Wen Xiao, Haohan Wang, Junjie Hu, Yong Jae Lee

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Microsoft（微软） ； UIUC（伊利诺伊大学香槟分校） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV

R-Genie: Reasoning-Guided Generative Image Editing

Dong Zhang, Lingfeng He, Rui Yan, Fei Shen, Jinhui Tang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Nanjing University of Science and Technology（南京理工大学） 纠错

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

Comments Code: https://dongzhang89.github.io/RGenie.github.io/

VFaith: Do Large Multimodal Models Really Reason on Seen Images Rather than Previous Memories?

Jiachen Yu, Yufei Zhan, Ziheng Wu, Yousong Zhu, Jinqiao Wang, Minghui Qiu

机构 * Tsinghua University（清华大学） ； Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所基础模型研究中心） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； ByteDance China（字节跳动中国） ； Peng Cheng Laboratory（鹏城实验室） ； Wuhan AI Research（武汉人工智能研究） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV

From Code to Compliance: Assessing ChatGPT's Utility in Designing an Accessible Webpage -- A Case Study

Ammar Ahmed, Margarida Fresco, Fredrik Forsberg, Hallvard Grotli

机构 * Department of Computer Science, Norwegian University of Science and Technology（计算机科学系，挪威科学技术大学） ； Department of Design, Norwegian University of Science and Technology（设计系，挪威科学技术大学） 纠错

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

General Modular Harness for LLM Agents in Multi-Turn Gaming Environments

Yuxuan Zhang, Haoyang Yu, Lanxiang Hu, Haojian Jin, Hao Zhang

机构 * Halıcıoğlu Data Science Institute (HDSI), University of California San Diego, La Jolla, CA, USA（Halıcıoğlu数据科学研究所（HDSI），加州大学圣地亚哥分校，拉贾拉，加州，美国） 纠错

专题命中 视觉推理 ：VLM(abstract)；分类 cs.AI

Comments 8 pages, ICML MAS workshop

LRMR: LLM-Driven Relational Multi-node Ranking for Lymph Node Metastasis Assessment in Rectal Cancer

Yaoxian Dong, Yifan Gao, Haoyue Li, Yanfen Cui, Xin Gao

机构 * Shanxi Province Cancer Hospital, Chinese Academy of Medical Sciences（山西省肿瘤医院、中国医学科学院） ； Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences（苏州生物医学工程与技术研究所、中国科学院） 纠错

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

KptLLM++: Towards Generic Keypoint Comprehension with Large Language Model

Jie Yang, Wang Zeng, Sheng Jin, Lumin Xu, Wentao Liu, Chen Qian, Zhen Li, Ruimao Zhang

机构 * Sun Yat-sen University, Shenzhen（中山大学深圳校区） ； Chinese University of Hong Kong, Shenzhen（香港中文大学深圳校区） ； SenseTime Research（商汤科技研究院） ； Chinese University of Hong Kong（香港中文大学） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东省大数据分析与处理重点实验室） 纠错

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

Comments Extended Version of KptLLM. arXiv admin note: text overlap with arXiv:2411.01846

IGD: Instructional Graphic Design with Multimodal Layer Generation

Yadong Qu, Shancheng Fang, Yuxin Wang, Xiaorui Wang, Zhineng Chen, Hongtao Xie, Yongdong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； YuanShi Technology（元世科技） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院） 纠错

专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV

Comments ICCV 2025

Model-Grounded Symbolic Artificial Intelligence Systems Learning and Reasoning with Model-Grounded Symbolic Artificial Intelligence Systems

Aniruddha Chattopadhyay, Raj Dandekar, Kaushik Roy

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Alabama（阿拉巴马大学） 纠错

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

Comments Accepted as paper in 19th International Conference on Neurosymbolic Learning and Reasoning,NeSy 2025

EduFlow: Advancing MLLMs' Problem-Solving Proficiency through Multi-Stage, Multi-Perspective Critique

Chenglin Zhu, Tao Zhang, Chong Li, Mingan Lin, Zenan Zhou, Jian Xie

机构 * Baichuan Inc.（北京百川科技有限公司） ； Peking University（北京大学） 纠错

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

Comments 14 pages,4 figures

Thinking Beyond Tokens: From Brain-Inspired Intelligence to Cognitive Foundations for Artificial General Intelligence and its Societal Impact

Rizwan Qureshi, Ranjan Sapkota, Abbas Shah, Amgad Muneer, Anas Zafar, Ashmal Vayani, Maged Shoman, Abdelrahman B. M. Eldaly, Kai Zhang, Ferhat Sadak, Shaina Raza, Xinqi Fan, Ravid Shwartz-Ziv, Hong Yan, Vinjia Jain, Aman Chadha, Manoj Karkee, Jia Wu, Seyedali Mirjalili

机构 * Center for research in Computer Vision, University of Central Florida（计算机视觉研究中心，中央佛罗里达大学） ； Cornell University（康奈尔大学） ； Department of Electronics Engineering, Mehran University of Engineering & Technology（电子工程系，工程与技术大学） ； Department of Imaging Physics, The University of Texas MD Anderson Cancer Center（成像物理系，德克萨斯大学MD安德森癌症中心） ； Intelligent Transportation Systems, University of Tennessee（智能交通运输系统，田纳西大学） ； Department of Electrical Engineering, City University of Hong Kong（电气工程系，香港城市大学） ； Department of Mechanical Engineering, Bartin University（机械工程系，巴廷大学） ； Vector Institute, Toronto Canada（多伦多加拿大向量研究所） ； Manchester Metropolitan University（曼彻斯特 Metropolitan 大学） ； Center for Data Science, New York University（数据科学中心，纽约大学） ； Meta Research（Meta 研究） ； Amazon Research（亚马逊研究） ； Centre for Artificial Intelligence Research and Optimization, Torrens University Australia（人工智能研究与优化中心，塔伦斯大学澳大利亚） ； University Research and Innovation Center, Obuda University（研究与创新中心，奥布达大学） 纠错

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

Understanding Driving Risks using Large Language Models: Toward Elderly Driver Assessment

Yuki Yoshihara, Linjing Jiang, Nihan Karatas, Hitoshi Kanamori, Asuka Harada, Takahiro Tanaka

机构 * Institutes of Innovation for Future Society, Nagoya University, Japan（面向未来的创新研究所，名古屋大学，日本） 纠错

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

SURPRISE3D: A Dataset for Spatial Understanding and Reasoning in Complex 3D Scenes

Jiaxin Huang, Ziwen Li, Hanlve Zhang, Runnan Chen, Xiao He, Yandong Guo, Wenping Wang, Tongliang Liu, Mingming Gong

机构 * MBZUAI ； The University of Sydney（悉尼大学） ； AI2Robotic ； Texas A&M University（德克萨斯大学） ； The University of Melbourne（墨尔本大学） 纠错

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

SPADE: Spatial-Aware Denoising Network for Open-vocabulary Panoptic Scene Graph Generation with Long- and Local-range Context Reasoning

Xin Hu, Ke Qin, Guiduo Duan, Ming Li, Yuan-Fang Li, Tao He

机构 * The Laboratory of Intelligent Collaborative Computing of UESTC（UESTC智能协同计算实验室） ； Ubiquitous Intelligence and Trusted Services Key Laboratory of Sichuan Province（四川省 Ubiquitous Intelligence and Trusted Services 重点实验室） ； Monash University（墨尔本大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） 纠错

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

Comments Accepted to ICCV 2025

MindFlow: Revolutionizing E-commerce Customer Support with Multimodal LLM Agents

Ming Gong, Xucheng Huang, Chenghan Yang, Xianhan Peng, Haoxin Wang, Yang Liu, Ling Jiang

机构 * Xiaoduo AI（小多AI） ； University of Dayton（代顿大学） 纠错

专题命中 视觉推理 ：MLLM(abstract)；分类 cs.AI

Fine-Grained Captioning of Long Videos through Scene Graph Consolidation

Sanghyeok Chu, Seonguk Seo, Bohyung Han

机构 * ECE, Seoul National University, Korea.（电子工程系，首尔国立大学，韩国） ； IPAI, Seoul National University, Korea.（人工智能研究所，首尔国立大学，韩国） 纠错

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

Comments Accepted to the 42nd International Conference on Machine Learning (ICML 2025)

Multimodal-to-Text Prompt Engineering in Large Language Models Using Feature Embeddings for GNSS Interference Characterization

Harshith Manjunath, Lucas Heublein, Tobias Feigl, Felix Ott

机构 * Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所） 纠错

专题命中 视觉推理 ：LLaVA(abstract)；分类 cs.AI

Journal ref IEEE Wireless Communications and Networking Conference (WCNC), March 2025, Milan, Italy

Kwai Keye-VL Technical Report

Kwai Keye Team, Biao Yang, Bin Wen, Changyi Liu, Chenglong Chu, Chengru Song, Chongling Rao, Chuan Yi, Da Li, Dunju Zang, Fan Yang, Guorui Zhou, Hao Peng, Haojie Ding, Jiaming Huang, Jiangxia Cao, Jiankang Chen, Jingyun Hua, Jin Ouyang, Kaibing Chen, Kaiyu Jiang, Kaiyu Tang, Kun Gai, Shengnan Zhang, Siyang Mao, Sui Huang, Tianke Zhang, Tingting Gao, Wei Chen, Wei Yuan, Xiangyu Wu, Xiao Hu, Xingyu Lu, Yang Zhou, Yi-Fan Zhang, Yiping Yang, Yulong Chen, Zhenhua Wu, Zhenyu Li, Zhixin Ling, Ziming Li, Dehua Ma, Di Xu, Haixuan Gao, Hang Li, Jiawei Guo, Jing Wang, Lejian Ren, Muhao Wei, Qianqian Wang, Qigen Hu, Shiyao Wang, Tao Yu, Xinchen Luo, Yan Li, Yiming Liang, Yuhang Hu, Zeyi Lu, Zhuoran Yang, Zixing Zhang

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

Comments Technical Report: https://github.com/Kwai-Keye/Keye

BioMARS: A Multi-Agent Robotic System for Autonomous Biological Experiments

Yibo Qiu, Zan Huang, Zhiyu Wang, Handi Liu, Yiling Qiao, Yifeng Hu, Shu'ang Sun, Hangke Peng, Ronald X Xu, Mingzhai Sun

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

PAC Bench: Do Foundation Models Understand Prerequisites for Executing Manipulation Policies?

Atharva Gundawar, Som Sagar, Ransalu Senanayake

机构 * School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学） 纠错

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

Think Before You Segment: High-Quality Reasoning Segmentation with GPT Chain of Thoughts

Shiu-hong Kao, Yu-Wing Tai, Chi-Keung Tang

机构 * HKUST（香港理工大学） ； Dartmouth College（达特茅斯学院） 纠错

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

Comments Project page: https://danielshkao.github.io/thinkfirst.html

KnotDLO: Toward Interpretable Knot Tying

Holly Dinkel, Raghavendra Navaratna, Jingyi Xiang, Brian Coltin, Trey Smith, Timothy Bretl

机构 * Department of Aerospace Engineering and Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（航空航天工程系和协调科学实验室，伊利诺伊大学厄巴纳-香槟分校） ； Department of Electrical Engineering and Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（电气工程系和协调科学实验室，伊利诺伊大学厄巴纳-香槟分校） ； Intelligent Robotics Group, NASA Ames Research Center（智能机器人组，美国国家航空航天局阿姆斯研究中心） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV

Comments 4 pages, 5 figures, presented at the Workshop on 3D Visual Representations for Manipulation at the 2023 IEEE International Conference on Robotics and Automation in Yokohama, Japan. Video presentation [https://youtu.be/mg30uCUtpOk]. Poster [https://hollydinkel.github.io/assets/pdf/ICRA20243DVRM_poster.pdf] 3DVRM Workshop [https://3d-manipulation-workshop.github.io/]

HumanOmniV2: From Understanding to Omni-Modal Reasoning with Context

Qize Yang, Shimin Yao, Weixuan Chen, Shenghao Fu, Detao Bai, Jiaxing Zhao, Boyuan Sun, Bowen Yin, Xihan Wei, Jingren Zhou

机构 * Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团） 纠错

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

Video Perception Models for 3D Scene Synthesis

Rui Huang, Guangyao Zhai, Zuria Bauer, Marc Pollefeys, Federico Tombari, Leonidas Guibas, Gao Huang, Francis Engelmann

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

AViLA: Asynchronous Vision-Language Agent for Streaming Multimodal Data Interaction

Gengyuan Zhang, Tanveer Hannan, Hermine Kleiner, Beste Aydemir, Xinyu Xie, Jian Lan, Thomas Seidl, Volker Tresp, Jindong Gu

机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Oxford（牛津大学） 纠错

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

Comments preprint version; 23 pages (including references and appendix)

JarvisArt: Liberating Human Artistic Creativity via an Intelligent Photo Retouching Agent

Yunlong Lin, Zixu Lin, Kunjie Lin, Jinbin Bai, Panwang Pan, Chenxin Li, Haoyu Chen, Zhongdao Wang, Xinghao Ding, Wenbo Li, Shuicheng Yan

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Chinese University of Hong Kong（香港中文大学） ； Bytedance（字节跳动） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） 纠错

专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV

Comments 40 pages, 26 figures

Infi-MMR: Curriculum-based Unlocking Multimodal Reasoning via Phased Reinforcement Learning in Multimodal Small Language Models

Zeyu Liu, Yuhang Liu, Guanghao Zhu, Congkai Xie, Zhen Li, Jianbo Yuan, Xinyao Wang, Qing Li, Shing-Chi Cheung, Shengyu Zhang, Fei Wu, Hongxia Yang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Zhejiang University（浙江大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Reallm Labs（Reallm 实验室） ； Amazon（亚马逊） ； The Hong Kong University of Science and Technology（香港理工大学） 纠错

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