视觉大模型 / VLM

FAM-Bench: A Multimodal Benchmark for Condition-Aware Food-as-Medicine Reasoning

FAM-Bench：面向条件感知的“食物即药物”推理的多模态基准

Mingyang Mao, Bhargav Rishi Medisetti, Utkarsh Grover, Tanvir Ibrahim, Wenyan Li, Tingting Zhang, Xiaomin Lin

机构 * Department of Electrical Engineering, University of South Florida（佛罗里达州立大学电气工程系） ； Muma College of Business, University of South Florida（佛罗里达州立大学Muma商学院） ； Computer Science, University of Copenhagen（哥本哈根大学计算机科学系） 纠错

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

AI总结 提出FAM-Bench多模态基准，包含2500个营养专家验证的实例，通过菜肴适宜性评估和比较分析两个任务，测试模型在特定健康状况下对食物选择的推理能力。

DeepImageSearch: Benchmarking Multimodal Agents for Context-Aware Image Retrieval in Visual Histories

DeepImageSearch: 多模态智能体在视觉历史中上下文感知图像检索的基准测试

Chenlong Deng, Mengjie Deng, Junjie Wu, Dun Zeng, Teng Wang, Qingsong Xie, Jiadeng Huang, Shengjie Ma, Changwang Zhang, Zhaoxiang Wang, Jun Wang, Yutao Zhu, Zhicheng Dou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学北京校区人工智能学院） ； OPPO Research Institute（OPPO研究院） 纠错

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

AI总结 提出DeepImageSearch范式，将图像检索重构为自主探索任务，通过构建DISBench基准和模块化智能体框架，验证了在视觉历史中基于隐式上下文线索进行多步推理的必要性。

Comments 18 pages, 6 figures

EMCEE: Improving Multilingual Capability of LLMs via Bridging Knowledge and Reasoning with Extracted Synthetic Multilingual Context

EMCEE：通过提取合成多语言上下文桥接知识与推理以提升大语言模型的多语言能力

Hamin Koo, Jaehyung Kim

机构 * Yonsei University（延世大学） 纠错

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

AI总结 提出EMCEE框架，通过从LLM自身提取并融合语言特定知识，结合推理输出，显著提升多语言任务性能，尤其在低资源语言上平均提升31.7%。

Comments ACL 2026 Main

Video-MTR: Reinforced Multi-Turn Reasoning for Long Video Understanding

Video-MTR: 用于长视频理解的多轮强化推理

Yuan Xie, Tianshui Chen, Zheng Ge, Lionel Ni

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Guangdong University of Technology（广东工业大学） ； X-Era AI Lab（X-Era人工智能实验室） 纠错

专题命中 视觉推理 ：VLM(abstract_cn)；分类 cs.CV

AI总结 提出Video-MTR框架，通过强化多轮推理迭代选择关键视频片段并理解问题，结合门控双层奖励系统实现端到端训练，在长视频理解基准上提升准确率和效率。

Comments Accepted by ICML 2026. Camera-ready version

AgentCVR: Active Multi-Agent Cross-Video Reasoning via Script-Simulated Reinforcement Learning

AgentCVR：通过脚本模拟强化学习的主动多智能体跨视频推理

Yilun Qiu, Jiahe Wang, Cilin Yan, Jiayin Cai, Xiaolong Jiang, Yao Hu, Chun Yuan

机构 * Xiaohongshu Inc.（小红书公司） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生学院，清华大学） 纠错

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

AI总结 提出AgentCVR多智能体框架，将跨视频推理视为主动证据获取任务，通过主智能体协调视觉和音频智能体进行定向证据提取，并引入脚本模拟强化学习优化策略，在跨视频对齐和定位任务上超越单次基线，达到与闭源系统相当的性能。

CogniVerse: Revolutionizing Multi-Modal Retrieval-Augmented Generation with Cognitive Reflection and Geometric Reasoning

CogniVerse: 用认知反思与几何推理革新多模态检索增强生成

Xiang Fang, Wanlong Fang, Changshuo Wang

机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； University College London（伦敦大学学院） 纠错

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

AI总结 提出CogniVerse框架，通过认知反思模块、基于黎曼流形对齐的多模态检索模块和最优传输层次生成模块，解决多模态检索增强生成中的噪声检索、跨模态语义错位和生成不连贯问题。

Comments Accepted in CVPR 2026

Cognitive Pivot Points and Visual Anchoring: Unveiling and Rectifying Hallucinations in Multimodal Reasoning Models

认知支点与视觉锚定：揭示并纠正多模态推理模型中的幻觉

Zhe Qian, Yanbiao Ma, Zhuohan Ouyang, Zhonghua Wang, Zhongxing Xu, Fei Luo, Xinyu Liu, Zongyuan Ge, Yike Guo, Jungong Han

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学 龙城人工智能学院） ； South China Agricultural University（华南农业大学） ； South China Normal University（华南师范大学） ； Monash University（莫纳什大学） ； Jishou University（吉首大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 针对多模态大推理模型在长链推理中易产生幻觉的问题，提出V-STAR训练范式，通过分层视觉注意力奖励和强制反思机制，将视觉锚定引入推理过程以减轻幻觉。

Comments TPAMI under review

Adaptive Interviewing for Persona Simulation in LLMs: Evidence-Grounded Reasoning Improves Decision Alignment

面向LLM人格模拟的自适应访谈：基于证据的推理提升决策对齐

Ruoxi Su, Yuhan Liu, Jingyu Hu

机构 * University of Cambridge（剑桥大学） ； Independent Researcher（独立研究员） 纠错

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

AI总结 提出自适应访谈框架，通过结构化三阶段对话收集人格相关信息，并基于访谈记录评估LLM在道德困境场景中模拟个体决策的能力，发现基于后续追问的证据推理能显著提升预测准确性。

Comments 20 pages, 2 figures, 12 tables

Better Accuracies, Worse Reasoning: A Step-Level Audit of Medical Chain-of-Thought Distillation

更高的准确率，更差的推理：医学思维链蒸馏的步骤级审计

Zhaoyang Jiang, Xuanqi Peng, Fei Teng, Zhizhong Fu, Yunsoo Kim, Jiacong Mi, Zicheng Li, Honghan Wu

机构 * School of Health & Wellbeing, University of Glasgow（健康与福祉学院，格拉斯哥大学） ； Department of Respiratory and Critical Care Medicine, Shanghai Sixth People’s Hospital, Shanghai Jiao Tong University School of Medicine（呼吸与危重医学科，上海第六人民医院，上海交通大学医学院） ； School of Life Science and Technology, University of Electronic Science and Technology of China（生命科学与技术学院，电子科技大学） ； Institute of Health Informatics, University College London（健康信息学研究所，伦敦大学学院） 纠错

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

AI总结 通过蒸馏大模型思维链训练小模型，发现医学问答中答案准确率提升但推理步骤的事实错误率上升，表明答案质量与推理真实性可能背道而驰。

Smoothing Slot Attention Iterations and Recurrences

平滑槽注意力迭代与循环

Rongzhen Zhao, Wenyan Yang, Juho Kannala, Joni Pajarinen

机构 * Department of Electrical Engineering and Automation, Aalto University, Espoo, Finland（电气工程与自动化系，阿alto大学，埃斯波，芬兰） ； Department of Computer Science, Aalto University, Espoo, Finland（计算机科学系，阿alto大学，埃斯波，芬兰） ； Center for Machine Vision and Signal Analysis, University of Oulu, Oulu, Finland（机器视觉与信号分析中心，奥卢大学，奥卢，芬兰） 纠错

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

AI总结 针对槽注意力在图像首帧冷启动查询缺乏样本特异性及视频帧间聚合变换同质化的问题，提出SmoothSA方法，通过预热冷启动查询和差异化迭代次数来平滑迭代与循环，提升目标发现、识别与推理性能。

Comments Accepted to ICML 2026

Bridging the Pose-Semantic Gap: A Cascade Framework for Text-Based Person Anomaly Search

弥合姿态-语义鸿沟：基于文本的人物异常搜索的级联框架

Zequn Xie, Guijin Luo, Chuxin Wang, Sihang Cai, Tao Jin, Zhou Zhao, Yixuan Tang

机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 提出结构-语义解耦级联（SSDC）框架，通过两阶段检索（结构感知粗检索和多智能体语义验证）平衡效率与语义推理，在PAB基准上达到最优性能。

Comments Accepted to ACL 2026.10 pages, 5 figures

Many Logics, One Methodology: A Plea for Logical Pluralism in Formalised Reasoning (preprint)

多种逻辑，一种方法论：在形式化推理中倡导逻辑多元主义（预印本）

Christoph Benzmüller, Daniel Kirchner, Luca Pasetto

机构 * University of Luxembourg（卢森堡大学） 纠错

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

AI总结 本文基于LogiKEy逻辑多元知识表示与推理方法论，主张在统一元逻辑框架内支持对象逻辑层面的逻辑多元主义，并警告逻辑帝国主义对跨学科复用的阻碍。

Comments 21 pages, 6 figures; to appear (preprint)

EgoProx: Evaluating MLLMs on Egocentric 3D Proximity Reasoning Across a Cognitive Hierarchy

EgoProx: 在认知层级上评估多模态大语言模型的自我中心3D邻近推理能力

Jinzhao Li, Yinuo Chen, Dongxu Piao, Panwang Pan, Yifan Yu, Dong Wang, Honglei Yan, Liang Yue, Shaofei Wang, Yixin Chen, Siyuan Huang, Miao Liu

机构 * College of AI, Tsinghua University（清华大学人工智能学院） ； ByteDance（字节跳动） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） 纠错

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

AI总结 提出EgoProx基准，通过认知链任务和基于智能体的数据引擎，评估多模态大语言模型在自我中心3D邻近推理中的表现，发现模型虽具备空间知识但难以有效利用。

Comments Accepted to CVPR 2026

Why LLMs Hallucinate on Structured Knowledge: A Mechanistic Analysis of Reasoning over Linearized Representations

为什么LLMs会在结构化知识上产生幻觉：对线性化表示推理的机制分析

Shanghao Li, Jinda Han, Yibo Wang, Yuanjie Zhu, Zihe Song, Langzhou He, Kenan Kamel A Alghythee, Philip S. Yu

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文通过机制分析发现，大型语言模型在结构化知识推理中产生幻觉是由于注意力过度集中于捷径式结构线索和前馈层未能将知识语义接地，导致模型依赖参数记忆。

Comments To appear in Proceedings of ACL 2026

Not All Modalities Are Equal: Instruction-Aware Gating for Multimodal Videos

并非所有模态都平等：面向多模态视频的指令感知门控

Bonan Ding, Umair Nawaz, Ufaq Khan, Abdelrahman M. Shaker, Muhammad Haris Khan, Jiale Cao, Jin Xie, Fahad Shahbaz Khan

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎伊德大学人工智能学院） ； Tianjin University（天津大学） ； Chongqing University（重庆大学） ； Linköping University（林奈大学） 纠错

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

AI总结 提出UniMVU框架，通过内模态和模态级指令感知动态门控实现多模态视频理解，在六个基准上优于静态融合方法。

Comments 19 pages, 8 figures, 7 tables, preprint

Decoding Scientific Experimental Images: The SPUR Benchmark for Perception, Understanding, and Reasoning

解码科学实验图像：用于感知、理解和推理的SPUR基准

Junpeng Ding, Zichen Tang, Haihong E, Mengyuan Ji, Yang Liu, Haolin Tian, Haiyang Sun, Pengqi Sun, Yang Xu, Yichen Liu, Haocheng Gao, Zijie Xi, Ruomeng Jiang, Peizhi Zhao, Rongjin Li, Yuanze Li, Jiacheng Liu, Zhongjun Yang, Jintong Chen, Siying Lin

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 提出SPUR基准，通过4264个问答对评估多模态大模型在科学实验图像上的细粒度感知、跨面板关系理解和专家级推理能力，揭示当前模型与专家水平的差距。

Comments Accepted to ACL 2026 Main Conference

LECTOR: Joint Optimization of Scientific Reasoning Graphs and Introduction Generation

LECTOR: 科学推理图与引言生成的联合优化

Jiabei Xiao, Yizhou Wang, Chen Tang, Pengze Li, Wanli Ouyang, Shixiang Tang

机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） 纠错

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

AI总结 提出LECTOR框架，通过逻辑-表达协同强化学习联合优化科学推理图的结构保真度和引言生成质量，在Nature Communications数据集上实现显著提升。

Comments 25 pages

VertiCue-Bench: Diagnosing Whether MLLMs Use Height Cues to Resolve 2D Ambiguity in Remote Sensing Natural Scenes

VertiCue-Bench: 诊断多模态大语言模型是否利用高度线索解决遥感自然场景中的二维歧义

Jing Huang, Duanchu Wang, Junjie Yang, Zihang Cheng, Cheng Li, Lin Cui, Zhouyi Wu, Di Wang

机构 * Xi’an Jiaotong University（西安交通大学） ； Xidian University（西安电子科技大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 提出VertiCue-Bench基准，通过17个任务1534个实例诊断MLLMs是否真正利用冠层高度模型（CHM）的垂直线索解决遥感自然场景中的语义歧义，发现模型在感知高度线索与语义推理之间存在显著脱节。

AnE: Pushing the Reasoning Frontier of Multimodal LLMs via Anchor Evolution

AnE: 通过锚点进化推动多模态大语言模型的推理前沿

Zehao Wang, Yihan Zeng, Zidong Gong, Yuanfan Guo, Feng Zhu, Hongzhi Zhang, Wei Zhang, Wangmeng Zuo

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Huawei Noah's Ark Lab（华为诺亚实验室） ； Independent Researcher（独立研究员） 纠错

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

AI总结 提出锚点进化（AnE）范式，通过真值锚点数据策展和脚手架剥离机制，解决多模态大模型推理中的认知漂移和幻觉路径问题，显著提升推理性能。

Comments 34 pages,10 figures

EgoMind: Activating Spatial Cognition through Linguistic Reasoning in MLLMs

EgoMind: 通过多模态大语言模型中的语言推理激活空间认知

Zhenghao Chen, Huiqun Wang, Di Huang

机构 * State Key Laboratory of Complex and Critical Software Environment（复杂与关键软件环境国家重点实验室） ； School of Computer Science and Engineering（计算机科学与工程学院） 纠错

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

AI总结 提出EgoMind框架，通过角色扮演描述和渐进空间分析的无几何空间推理方法，仅用少量数据即可在多基准测试中提升MLLMs的空间推理能力。

Comments Accepted by CVPR 2026

Creative4U: MLLMs-based Advertising Creative Image Selector with Comparative Reasoning

Creative4U: 基于MLLMs的广告创意图像选择器与比较推理

Yukang Lin, Xiang Zhang, Shichang Jia, Bowen Wan, Chenghan Fu, Xudong Ren, Yueran Liu, Wanxian Guan, Pengji Wang, Jian Xu, Bo Zheng, Baolin Liu

机构 * Tsinghua University（清华大学） ； Alibaba Group（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

AI总结 提出基于多模态大语言模型的创意图像评估与选择范式，通过构建比较推理数据集CreativePair和强化学习方法Creative4U，实现可解释的创意选择。

Agent-X: Evaluating Deep Multimodal Reasoning in Vision-Centric Agentic Tasks

Agent-X：评估视觉中心智能体任务中的深度多模态推理

Tajamul Ashraf, Amal Saqib, Hanan Ghani, Muhra AlMahri, Yuhao Li, Noor Ahsan, Umair Nawaz, Jean Lahoud, Hisham Cholakkal, Mubarak Shah, Philip Torr, Fahad Shahbaz Khan, Rao Muhammad Anwer, Salman Khan

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； University of Central Florida（中央佛罗里达大学） ； University of Oxford（牛津大学） 纠错

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

AI总结 提出Agent-X基准，通过828个真实视觉任务和细粒度步骤评估框架，揭示当前模型在多步视觉推理中全链成功率低于50%的瓶颈。

Comments Accepted in International Conference of Learning Representations (ICLR 2026)

Unified 3D Scene Understanding Through Physical World Modeling

统一3D场景理解：通过物理世界建模

Wanhee Lee, Klemen Kotar, Rahul Mysore Venkatesh, Jared Watrous, Honglin Chen, Khai Loong Aw, Daniel L. K. Yamins

机构 * Stanford University（斯坦福大学） ； OpenAI 纠错

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

AI总结 提出一个概率图模型3WM，将深度估计、新视角合成和物体操作等3D视觉任务统一为单一模型，通过不同推理路径实现零样本任务执行，无需微调即达到最先进性能。

Comments Published as a conference paper at ICLR 2026

DDX-TRACE: A Benchmark for Medical Diagnostic Trajectories in VLMs

DDX-TRACE: 视觉语言模型中医学诊断轨迹的基准

Jiazhen Pan, Weixiang Shen, Jun Li, Julian Canisius, Felix Bitzer, Paula Roßmüller, Jiancheng Yang, Virginie Kreutzinger, Daniel Rueckert, Benedikt Wiestler

机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； LMU Munich（慕尼黑大学） ； Aalto University（阿尔托大学） ； Imperial College London（伦敦帝国学院） 纠错

专题命中 视觉推理 ：VLM(abstract_cn)；分类 cs.CV

AI总结 提出DDX-TRACE基准，通过隐藏证据的多轮诊断轨迹评估VLM在神经放射学中的工作流质量，揭示最终诊断分数无法反映的推理缺陷。

Comments 41 pages

Metacognition as Reward: Reinforcing LLM Reasoning via Knowledge and Regulation Signals

元认知作为奖励：通过知识和调节信号强化LLM推理

Sirui Chen, Lei Xu, Yuying Zhao, Yutian Chen, Yu Wang, Beier Zhu, Hanwang Zhang, Shengjie Zhao, Chaochao Lu

机构 * Tongji University（同济大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） ； EPFL（苏黎世联邦理工学院） ； Wuhan University（武汉大学） 纠错

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

AI总结 提出元认知奖励（MaR）框架，利用元认知知识和调节信号作为过程奖励，提升LLM推理质量，在22个基准上平均提升7.7%。

From Recognition to Reasoning: Benchmarking and Enhancing MLLMs on Real-World Receipt Document Understanding

从识别到推理：在现实世界收据文档理解上对齐和增强MLLMs

Yandi Wang, Libin Zhan, Ziwei Huang, Tiancheng Luo, Yuxuan Jiang, Wang Dong, Leilei Gan, Jun Chen

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出ReceiptBench基准，通过四个层次化子任务提升收据信息提取的结构一致性，并提出两阶段训练框架GRPO，通过强化学习信号提升模型性能，实验证明其在复杂推理任务上的优越性。

Video-o3: Native Interleaved Clue Seeking for Long Video Multi-Hop Reasoning

Video-o3：长视频多跳推理的原生交错线索搜索

Xiangyu Zeng, Zhiqiu Zhang, Yuhan Zhu, Xinhao Li, Zikang Wang, Changlian Ma, Qingyu Zhang, Zizheng Huang, Kun Ouyang, Tianxiang Jiang, Ziang Yan, Yi Wang, Hongjie Zhang, Yali Wang, Limin Wang

机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； SIAT, Chinese Academy of Sciences（中国科学院软件研究所） 纠错

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

AI总结 本研究提出Video-o3框架，通过迭代发现显著视觉线索、细粒度检查关键片段以及适应性终止，提升长视频多跳推理能力，实验表明其在MLVU和Video-Holmes上分别达到72.1%和46.5%的准确率。

Comments 27 pages, 15 figures, 15 tables

VChain: Chain-of-Visual-Thought for Reasoning in Video Generation

VChain：用于视频生成中推理的视觉思维链

Ziqi Huang, Ning Yu, Gordon Chen, Haonan Qiu, Paul Debevec, Ziwei Liu

机构 * eyeline-labs（Eyeline Labs） 纠错

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

AI总结 本文提出VChain，一种在视频生成中引入多模态模型视觉推理信号的新型推理时间视觉思维链框架，通过生成关键帧来指导预训练视频生成器的稀疏推理时间视觉状态适应，从而提升视频生成质量。

Comments ACL 2026 (Findings Paper), ICCV 2025 Workshop Outstanding Paper Award, Project page: https://eyeline-labs.github.io/VChain

Faithful-MR1: Faithful Multimodal Reasoning via Anchoring and Reinforcing Visual Attention

Faithful-MR1: 通过锚定和强化视觉注意力实现忠实的多模态推理

Changyuan Tian, Zhicong Lu, Huaxing Liu, Xiang Wang, Shuai Li, Yu Chen, Wenqian Lv, Zichuan Lin, Juncheng Diao, Deheng Ye

机构 * AMAP, Alibaba Group（阿里云实验室，阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出Faithful-MR1框架，通过锚定和强化视觉注意力解决多模态推理中的忠实性问题，提升模型在多模态基准上的表现。

Comments 20 pages, 7 figures, 3 tables. Preprint

Seizure-Semiology-Suite (S3): A Clinically Multimodal Dataset, Benchmark, and Models for Seizure Semiology Understanding

癫痫半相学套件（S3）：一个临床多模态数据集、基准和模型用于癫痫半相学理解

Lina Zhang, Tonmoy Monsoor, Peizheng Li, Jiarui Cui, Xinyi Peng, Chong Han, Prateik Sinha, Siyuan Dai, Jessica Nichole Pasqua, Colin M McCrimmon, Weiting Liu, Hailey Marie Miranda, Bing Hu, Xiangting Wu, Tengyou Xu, Chunhan Li, Jiaye Tian, Jiarui Tang, Detao Ma, Lingye Kong, Junnan Lyu, Jungang Li, Yan Zan, Junhua Huang, Rajarshi Mazumder, Vwani Roychowdhury

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Pittsburgh（匹兹堡大学） ； Fudan University（复旦大学） ； University of California, Riverside（加州大学河滨分校） ； Hong Kong University of Science（香港科学大学） ； Maharishi International University（玛希拉国际大学） 纠错

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

AI总结 本文提出S3数据集和基准，用于细粒度、结构化的癫痫半相学理解，通过评估多模态大语言模型在低级视觉感知、时间序列处理、叙述报告生成和癫痫诊断中的能力，揭示了现有模型在左右脑推理、时间定位、症状序列和临床忠实报告方面的系统性弱点，并展示了针对癫痫的微调和双阶段神经符号框架在癫痫与非癫痫癫痫分类中的高F1分数。

Comments Accepted to ICML 2026 as a Spotlight presentation