视觉大模型 / VLM

ManipulationNet: An Infrastructure for Benchmarking Real-World Robot Manipulation with Physical Skill Challenges and Embodied Multimodal Reasoning

ManipulationNet: 一个用于基于现实世界机器人操作的基准测试基础设施，包含物理技能挑战和具身多模态推理

Yiting Chen, Kenneth Kimble, Edward H. Adelson, Tamim Asfour, Podshara Chanrungmaneekul, Sachin Chitta, Yash Chitambar, Ziyang Chen, Ken Goldberg, Danica Kragic, Hui Li, Xiang Li, Yunzhu Li, Aaron Prather, Nancy Pollard, Maximo A. Roa-Garzon, Robert Seney, Shuo Sha, Shihefeng Wang, Yu Xiang, Kaifeng Zhang, Yuke Zhu, Kaiyu Hang

机构 * Rice University（里士大学） ； U.S. National Institute of Standards and Technology（美国国家标准与技术研究院） ； Massachusetts Institute of Technology（麻省理工学院） ； Karlsruhe Institute of Technology（卡尔斯鲁厄技术大学） ； Autodesk Research（Autodesk研究） ； University of California, Berkeley（加州大学伯克利分校） ； KTH Royal Institute of Technology（皇家理工学院） ； Tsinghua University（清华大学） ； Columbia University（哥伦比亚大学） ； ASTM International（美国材料与试验协会） ； Carnegie Mellon University（卡内基梅隆大学） ； German Aerospace Center (DLR)（德国航空航天中心） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； NVIDIA Research（NVIDIA研究） 纠错

专题命中 视觉推理 ：grounding(abstract)

AI总结 ManipulationNet通过标准化硬件和统一软件客户端，为机器人操作提供现实世界基准测试，促进物理技能和具身推理能力的系统性发展。

Comments 32 pages, 8 figures

Recursive Think-Answer Process for LLMs and VLMs

递归思考-回答过程用于LLMs和VLMs

Byung-Kwan Lee, Youngchae Chee, Yong Man Ro

专题命中 视觉推理 ：vision-language model(abstract)

AI总结 本文提出递归思考-回答过程（R-TAP）以提升LLMs和VLMs的推理准确性，通过置信度生成器和双奖励机制实现迭代推理，减少错误输出并提高推理稳定性。

Comments CVPR 2026 Findings, Project page: https://litcoderr.github.io/rtap_page/

Can Thinking Models Think to Detect Hateful Memes?

思考模型能否通过思考来检测仇恨言论？

Mohamed Bayan Kmainasi, Mucahid Kutlu, Ali Ezzat Shahroor, Abul Hasnat, Firoj Alam

机构 * Qatar University（卡塔尔大学） ； Qatar Computing Research Institute（卡塔尔计算研究中心） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)

AI总结 本文提出基于强化学习的后训练框架，通过任务特定奖励和GRPO目标提升基于思考的多模态模型在检测仇恨言论中的推理能力，实验表明在准确性、F1值和解释质量上均有显著提升。

Journal ref In Companion Proceedings of the ACM Web Conference 2026 (WWW Companion 26), April 13-17, 2026, Dubai, United Arab Emirates

OneTwoVLA: A Unified Vision-Language-Action Model with Adaptive Reasoning

OneTwoVLA：一种具有自适应推理能力的统一视觉-语言-动作模型

Fanqi Lin, Ruiqian Nai, Yingdong Hu, Jiacheng You, Junming Zhao, Yang Gao

机构 * Tsinghua University（清华大学） ； Shanghai Qi Zhi Institute（上海启智研究院） 纠错

专题命中 视觉推理 ：grounding(abstract)

AI总结 OneTwoVLA通过自适应推理机制实现视觉-语言-动作统一，提升机器人在复杂任务中的规划、交互与执行能力。

VizQStudio: Iterative Visualization Literacy MCQs Design with Simulated Students

VizQStudio: 基于模拟学生的迭代可视化素养多选题设计

Zixin Chen, Yuhang Zeng, Sicheng Song, Yanna Lin, Xian Xu, Huamin Qu, Meng Xia

专题命中 视觉推理 ：MLLM(abstract)

AI总结 VizQStudio通过模拟学生帮助教师迭代设计高质量可视化素养多选题，提升评估设计的灵活性和适应性。

Comments TVCG fast track (PVIS 2026 TVCG Track) under review

Seeing Graphs Like Humans: Benchmarking Computational Measures and MLLMs for Similarity Assessment

像人类一样看图：通过计算度量和MLLMs进行相似性评估的基准测试

Seokweon Jung, Jeongmin Rhee, Seoyoung Doh, Hyeon Jeon, Ghulam Jilani Quadri, Jinwook Seo

专题命中 视觉推理 ：multimodal large language model(abstract)

AI总结 本文通过实验比较了计算度量和MLLMs在图相似性评估中的表现，发现MLLMs，特别是GPT-5，在匹配人类感知方面表现优异，能提供可解释的推理理由。

Comments 21 pages including 1 page of appendix, 9 figures, 4 tables

Humanizing Robot Gaze Shifts: A Framework for Natural Gaze Shifts in Humanoid Robots

使机器人目光转移人性化：一种在人形机器人中实现自然目光转移的框架

Jingchao Wei, Jingkai Qin, Yuxiao Cao, Jingcheng Huang, Xiangrui Zeng, Min Li, Zhouping Yin

机构 * School of Mechanical Science and Engineering, Huazhong University of Science and Technology（机械科学与工程学院，华中科技大学） 纠错

专题命中 视觉推理 ：VLM(abstract)

AI总结 本文提出RGS框架，通过结合认知注意力机制与生物模仿运动生成，实现人形机器人自然且上下文合适的人类化目光转移。

Comments submitted to AIM 2026

FewMMBench: A Benchmark for Multimodal Few-Shot Learning

FewMMBench: 一种多模态少样本学习的基准测试

Mustafa Dogan, Ilker Kesen, Iacer Calixto, Aykut Erdem, Erkut Erdem

机构 * Aselsan Research（阿塞利桑研究） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)

AI总结 FewMMBench是一个用于评估多模态少样本学习能力的基准测试，通过系统分析不同任务类型、模型家族和提示策略，揭示指令调优模型在零样本性能上的优势及CoT推理的局限性。

Comments Preprint. 49 pages, 38 Figures, 5 Tables

MemoTime: Memory-Augmented Temporal Knowledge Graph Enhanced Large Language Model Reasoning

MemoTime: 带记忆的时序知识图增强大语言模型推理

Xingyu Tan, Xiaoyang Wang, Qing Liu, Xiwei Xu, Xin Yuan, Liming Zhu, Wenjie Zhang

机构 * UNSW Data61（新南威尔士大学Data61） ； CSIRO（澳大利亚联邦科学与工业研究组织） ； UNSW Sydney Australia（新南威尔士大学悉尼分校） ； Data61, CSIRO（Data61，澳大利亚联邦科学与工业研究组织） 纠错

专题命中 视觉推理 ：grounding(abstract)

AI总结 MemoTime通过带记忆的时序知识图框架提升LLM的时序推理能力，解决多跳推理、多实体同步、运算符适应和经验重用等挑战，实现先进性能。

Comments Accepted by The Web Conference 2026 (WWW, 2026)

Structure-Augmented Reasoning Generation

结构增强的推理生成

Jash Rajesh Parekh, Pengcheng Jiang, Jiawei Han

机构 * 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)

AI总结 结构增强的推理生成通过显式推理结构提升多跳查询的准确性和连贯性，兼容现有RAG流程，无需定制检索器或微调。

Execution-State-Aware LLM Reasoning for Automated Proof-of-Vulnerability Generation

面向执行状态的LLM推理用于自动化漏洞证明生成

Haoyu Li, Xijia Che, Yanhao Wang, Xiaojing Liao, Luyi Xing

专题命中 视觉推理 ：grounding(abstract)

AI总结 DrillAgent通过结合LLM语义推理与执行状态反馈，实现自动化漏洞证明生成，显著提升漏洞检测效率。

Comments Version 1.0 (13 pages, 7 figures)

UniManip: General-Purpose Zero-Shot Robotic Manipulation with Agentic Operational Graph

UniManip: 通用目的零样本机器人操作的代理操作图

Haichao Liu, Yuanjiang Xue, Yuheng Zhou, Haoyuan Deng, Yinan Liang, Lihua Xie, Ziwei Wang

机构 * School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子与电气工程学院） ； Department of Automation, Tsinghua University, China（清华大学自动化系） 纠错

专题命中 视觉推理 ：grounding(abstract)

AI总结 UniManip通过双层代理操作图实现通用零样本机器人操作，结合高层任务协调与底层动态状态表示，提升无监督环境下的执行鲁棒性。

Comments 15 pages, 12 figures, 6 tables, project page: https://henryhcliu.github.io/unimanip

Affordance-Graphed Task Worlds: Self-Evolving Task Generation for Scalable Embodied Learning

具身学习的可扩展任务生成：基于 affordance 的任务世界

Xiang Liu, Sen Cui, Guocai Yao, Zhong Cao, Jingheng Ma, Min Zhang, Changshui Zhang

专题命中 视觉推理 ：vision-language model(abstract)

AI总结 本文提出 AGT-World 框架，通过结构化图方法实现任务空间的精确分解，并结合混合反馈机制实现策略的自进化，从而提升机器人任务生成的可扩展性和泛化能力。

AudioRAG: A Challenging Benchmark for Audio Reasoning and Information Retrieval

AudioRAG：一个用于音频推理和信息检索的挑战性基准

Jingru Lin, Chen Zhang, Tianrui Wang, Haizhou Li

专题命中 视觉推理 ：grounding(abstract)

AI总结 AudioRAG是一个用于评估音频推理和信息检索能力的挑战性基准，通过整合检索增强生成技术，为未来研究提供更强大的基准。

Comments Accepted by Audio-AAAI

ToMigo: Interpretable Design Concept Graphs for Aligning Generative AI with Creative Intent

ToMigo：可解释的设计概念图用于对齐生成式AI与创意意图

Lena Hegemann, Xinyi Wen, Michael A. Hedderich, Tarmo Nurmi, Hariharan Subramonyam

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: Automated Functional Safety Requirement Synthesis for Embodied AI via Attribute-Guided Combinatorial Reasoning

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

Dongsheng Chen, Yuxuan Li, Yi Lin, Guanhua Chen, Jiaxin Zhang, Xiangyu Zhao, Lei Ma, Xin Yao, Xuetao Wei

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） 纠错

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。

Length-Unbiased Sequence Policy Optimization: Revealing and Controlling Response Length Variation in RLVR

长度无偏序列策略优化：揭示和控制RLVR中的响应长度变化

Fanfan Liu, Youyang Yin, Peng Shi, Siqi Yang, Zhixiong Zeng, Haibo Qiu

机构 * Meituan（美团） 纠错

专题命中 视觉推理 ：vision-language model(abstract)

AI总结 本文提出LUSPO算法，通过消除长度偏差解决RLVR中响应长度崩溃问题，并在多个任务中展示出优于现有方法的性能。

Mil-SCORE: Benchmarking Long-Context Geospatial Reasoning and Planning in Large Language Models

Mil-SCORE：大型语言模型中长上下文地理空间推理与规划的基准测试

Aadi Palnitkar, Mingyang Mao, Nicholas Waytowich, Vinicius G. Goecks, Xiaomin Lin

机构 * University of Maryland, College Park MD, USA（马里兰大学） ； ERA Lab, University of South Florida, Tampa FL, USA（佛罗里达大学埃拉实验室） ； DEVCOM Army Research Laboratory, Aberdeen Proving Ground MD, USA（国防部陆军研究实验室） ； EEHPC Lab, Johns Hopkins University, Baltimore MD, USA（约翰霍普金斯大学EEHPC实验室） 纠错

专题命中 视觉推理 ：vision-language model(abstract)

AI总结 Mil-SCORE是首个针对复杂军事规划情景的多跳问题数据集，旨在评估大型语言模型在长上下文地理空间推理与规划中的能力。

Guided Verifier: Collaborative Multimodal Reasoning via Dynamic Process Supervision

引导验证器：通过动态过程监督实现协作多模态推理

Lingzhuang Sun, Ruitong Liu, Yuxia Zhu, Xiaohan Xu, Jingxuan Wei, Xiangxiang Zhang, Bihui Yu, Wentao Zhang

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Peking University（北京大学） ； The University of Hong Kong（香港大学） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)

AI总结 本文提出引导验证器框架，通过动态过程监督实现多模态推理的协作优化，提升模型性能。

Counting the Wait: Effects of Temporal Feedback on Downstream Task Performance and Perceived Wait-Time Experience during System-Imposed Delays

等待的计数：时间反馈对下游任务表现及感知等待时间体验的影响

Felicia Fang-Yi Tan, Oded Nov

专题命中 视觉推理 ：visual reasoning(abstract)

AI总结 本研究探讨时间反馈对等待体验及后续任务表现的影响，发现不同反馈模式影响用户感知但未影响实际表现。

Comments To be published in ACM CHI 2026

DELTA: Deliberative Multi-Agent Reasoning with Reinforcement Learning for Multimodal Psychological Counseling

DELTA: 基于强化学习的多智能体推理用于多模态心理辅导

Jiangnan Yang, Junjie Chen, Fei Wang, Yiqi Nie, Yuxin Liu, Zhangling Duan, Jie Chen

机构 * Anhui University（安徽大学） ； Hefei University of Technology（合肥工业大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合国家科学中心人工智能研究所） 纠错

专题命中 视觉推理 ：grounding(abstract)

AI总结 DELTA 通过强化学习和多智能体推理提升多模态心理辅导的质量与情感契合度。

They Said Memes Were Harmless-We Found the Ones That Hurt: Decoding Jokes, Symbols, and Cultural References

他们说迷因是无害的——我们发现了那些有害的：解码笑话、符号和文化参考

Sahil Tripathi, Gautam Siddharth Kashyap, Mehwish Nasim, Jian Yang, Jiechao Gao, Usman Naseem

机构 * Macquarie University（麦考瑞大学） ； The University of Western Australia（西澳大学） ； Stanford University（斯坦福大学） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-罗quentcourt研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒尔研究实验室） 纠错

专题命中 视觉推理 ：vision-language model(abstract)

AI总结 CROSS-ALIGN+通过三阶段框架解决迷因滥用检测中的文化盲区、边界模糊和可解释性问题，实现性能提升和决策可解释性。

Comments Accepted at the The Web Conference 2026 (Research Track)

LegalOne: A Family of Foundation Models for Reliable Legal Reasoning

LegalOne：一种用于可靠法律推理的基础模型家族

Haitao Li, Yifan Chen, Shuo Miao, Qian Dong, Jia Chen, Yiran Hu, Junjie Chen, Minghao Qin, Yueyue Wu, Yujia Zhou, Qingyao Ai, Yiqun Liu, Cheng Luo, Quan Zhou, Ya Zhang, Jikun Hu

机构 * Department of Computer Science, Tsinghua University（清华大学计算机科学系） ； Quancheng Laboratory（清华云城实验室） ； University of Waterloo, Canada（加拿大滑铁卢大学） ； China University of Political Science and Law（中国政法大学） ； MegaTech.AI Inc（MegaTech.AI公司） 纠错

专题命中 视觉推理 ：grounding(abstract)

AI总结 LegalOne通过三阶段流程提升法律推理能力，结合领域适应、代理推理蒸馏和课程强化学习，在法律任务中取得超越通用LLMs的性能。

Comments 25 pages, v1

State of the Art of LLM-Enabled Interaction with Visualization

大语言模型赋能的可视化交互现状

Mathis Brossier, Tobias Isenberg, Konrad Schönborn, Jonas Unger, Mario Romero, Johanna Björklund, Anders Ynnerman, Lonni Besançon

专题命中 视觉推理 ：grounding(abstract)

AI总结 本文系统回顾了大语言模型与可视化交互的研究现状，分析了6个维度的48篇论文，突出了新兴设计模式和评估挑战，旨在指导未来LLM增强的可视化研究和系统设计。

Comments Submitted to STARs of EuroVis'26

SkySim: A ROS2-based Simulation Environment for Natural Language Control of Drone Swarms using Large Language Models

SkySim: 一种基于ROS2的无人机群自然语言控制仿真环境

Aditya Shibu, Marah Saleh, Mohamed Al-Musleh, Nidhal Abdulaziz

专题命中 视觉推理 ：grounding(abstract)

AI总结 SkySim通过基于ROS2的仿真框架，利用大型语言模型实现无人机群的自然语言控制，结合人工势场算法确保安全执行，验证了空间推理精度和实时碰撞避免能力。

Factored Reasoning with Inner Speech and Persistent Memory for Evidence-Grounded Human-Robot Interaction

基于内部言语和持久记忆的因子推理用于证据导向的人机交互

Valerio Belcamino, Mariya Kilina, Alessandro Carfì, Valeria Seidita, Fulvio Mastrogiovanni, Antonio Chella

机构 * Department of Engineering, University of Palermo（帕尔米罗大学工程系） ； TheEngineRoom, Department of Informatics Bioengineering, Robotics and System Engineering（TheEngineRoom，信息生物工程、机器人与系统工程系） 纠错

专题命中 视觉推理 ：grounding(abstract)

AI总结 JANUS 通过因子推理实现证据导向的人机交互，结合内部言语和持久记忆模块，提升机器人辅助系统的可扩展性和可审计性。

VTC-R1: Vision-Text Compression for Efficient Long-Context Reasoning

VTC-R1: 视觉-文本压缩用于高效长上下文推理

Yibo Wang, Yongcheng Jing, Shunyu Liu, Hao Guan, Rong-cheng Tu, Chengyu Wang, Jun Huang, Dacheng Tao

机构 * Nanyang Technical University（南洋技术大学） ； Alibaba Cloud Computing（阿里巴巴云计算） 纠错

专题命中 视觉推理 ：vision-language model(abstract)

AI总结 VTC-R1通过视觉-文本压缩提升长上下文推理效率，实现3.4倍token压缩和2.7倍端到端延迟提升。

Comments Code: https://github.com/w-yibo/VTC-R1

Hearing is Believing? Evaluating and Analyzing Audio Language Model Sycophancy with SYAUDIO

听信还是不信？评估和分析音频语言模型的趋炎附势行为 with SYAUDIO

Junchi Yao, Lokranjan Lakshmikanthan, Annie Zhao, Danielle Zhao, Shu Yang, Zikang Ding, Di Wang, Lijie Hu

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； King Abdullah University of Science and Technology（卡布斯大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 视觉推理 ：vision-language model(abstract)

AI总结 SYAUDIO是首个评估音频语言模型趋炎附势行为的基准，通过系统分析不同领域和条件下的趋炎附势现象，验证了监督微调在减少此类行为中的有效性。

MM-THEBench: Do Reasoning MLLMs Think Reasonably?

MM-THEBench: 多模态大语言模型是否能合理推理？

Zhidian Huang, Zijun Yao, Ji Qi, Shangqing Tu, Junxian Ma, Jinxin Liu, Weichuan Liu, Xiaoyin Che, Lei Hou, Juanzi Li

机构 * KIRC, Institute for Artificial Intelligence, Tsinghua University, China（KIRC人工智能研究院，清华大学，中国） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)

AI总结 MM-THEBench旨在评估推理MLLMs在中间推理过程中的幻觉问题，通过细粒度分类和多层次评估框架，揭示思考对多模态任务中幻觉和推理能力的影响。

SymCode: A Neurosymbolic Approach to Mathematical Reasoning via Verifiable Code Generation

SymCode：通过可验证代码生成实现数学推理的神经符号方法

Sina Bagheri Nezhad, Yao Li, Ameeta Agrawal

机构 * Portland State University（波特兰州立大学） ； ElastixAI 纠错

专题命中 视觉推理 ：grounding(abstract)

AI总结 SymCode通过可验证代码生成实现数学推理，显著提升准确性并增强模型的透明度和可靠性。

Comments camera-ready EACL 2026 Findings