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。
CoLT: 教会多模态模型通过潜在思维链进行思考
机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； NKIARI ； AAIS & VCIP, Nankai University（南开大学AAIS & VCIP） ； Tianjin University（天津大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 提出CoLT框架，用潜在思维链代替文本推理，通过前向和后向解码器监督及内部监督实现高效多模态推理，在8个基准上优于现有方法，推理时间减少10.1倍。
Comments Accepted by ECCV2026. Code is available at https://github.com/hulianyuyy/CoLT
C-MIG：基于多视角信息增益的检索增强生成用于临床诊断推理
机构 * Baidu Inc（百度公司）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 提出C-MIG框架，通过多视角信息增益和多重子查询检索增强策略，解决检索增强生成中奖励信号丢失和异构推理监督问题，在临床诊断任务上取得最优性能。
少复制，多扎根：通过证据感知强化学习克服长上下文推理中的重复复制
机构 * Peking University（北京大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 研究长上下文推理中语言模型的重复复制问题，提出GEAR奖励塑造方法，通过区分关键证据和干扰上下文来增强奖励信号，经实验验证该方法能提升模型性能，减少重复复制，凸显准确扎根证据对长上下文推理的重要性。
MapTab: MLLMs 是否已准备好在异构图中进行多标准路线规划？
机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； AMAP, Alibaba Group（阿里集团AMAP） ； School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机与人工智能学院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.LG
AI总结 本文提出MapTab基准测试，用于评估多模态大语言模型在多标准路线规划任务中的综合推理能力，发现当前模型在多模态推理方面存在显著挑战。
POINTS-Seeker：从零开始训练多模态代理搜索模型
机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； CMIC, Shanghai Jiao Tong University（上海交通大学CMIC） ； WeChat AI, Tencent（腾讯WeChat AI）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出POINTS-Seeker模型，通过引入代理播种机制和V-Fold压缩方案，解决长周期交互中的证据检索问题，并在六个基准测试中超越现有模型。
缩小眼科人工智能的差距：MM-Retinal-Reason数据集与OphthaReason模型用于动态多模态推理
机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Department of Ophthalmology, The First Affiliated Hospital of Nanjing Medical University（南京医科大学第一附属医院眼科学系） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 该研究针对现有眼科AI仅聚焦基础推理的问题，构建首个眼科多模态数据集MM-Retinal-Reason，并提出带UADT方法的OphthaReason模型，实现眼科多模态推理性能的显著提升。
OmniAD：基于多模态推理的工业异常检测与理解
机构 * Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学学院） ； Visual Intelligence + X International Joint Laboratory of the Ministry of Education（教育部视觉智能+X国际合作实验室） ； Key Laboratory of Noise and Vibration Research, Institute of Acoustics, Chinese Academy of Sciences（中国科学院声学研究所噪声与振动重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 OmniAD是融合视觉与文本推理的多模态框架，以Text-as-Mask Encoding等技术实现工业异常检测与理解，在MMAD基准性能超Qwen2.5-VL-7B等模型，代码与模型将公开。
StAR：分段任何推理器
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV
AI总结 本文提出StAR框架，通过多角度优化提升分割性能，并首次引入并行测试时间扩展，构建ReasonSeg-X数据集以评估高级方法。
Comments ECCV 2026 / Code: https://github.com/ysj9909/StAR
用于动态机器人任务规划的视觉-语言-策略模型
机构 * Dynamic Robot Systems Group, Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所动态机器人系统组） ； Humanoids and Human-Centered Mechatronics (HHCM), Istituto Italiano di Tecnologia（意大利技术研究所人形与以人为中心的机电系统）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 针对机器人在非结构化环境中自然语言命令与自主执行衔接难题，提出基于视觉-语言模型的VLP框架，能解释指令、整合推理生成行为策略，还可动态调整策略，实验证明其有强大规划自主性和跨实体泛化能力。
TSRouter：用于时间序列推理的动态模态-模型选择
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； MBZUAI（Mohamed Bin Zayed University of Artificial Intelligence）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.LG
AI总结 研究针对时间序列推理中不同模型能力互补及特性差异问题，提出基于图的TSRouter动态路由框架，通过构建异构图并将路由设为候选评分问题来选择最优模态-模型对，在多任务评估中性能显著提升，还具备零样本泛化等优势。
Comments Accepted to COLM 2026
MAGIS：基于证据的多智能体推理用于可解释的斜视临床决策
机构 * School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳高等研究院） ； Joint Shantou International Eye Center of Shantou University and The Chinese University of Hong Kong（汕头大学·香港中文大学联合汕头国际眼科中心） ； School of Artificial Intelligence, Guangzhou City Polytechnic（广州城市职业学院人工智能学院） ； Medical College, Shantou University（汕头大学医学院） ； College of Engineering, Shantou University（汕头大学工学院） ； Department of Ophthalmology, Xinhua Hospital Affiliated to Shanghai Jiaotong University School of Medicine（上海交通大学医学院附属新华医院眼科） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 提出MAGIS框架，通过多智能体协作、双重证据约束上下文和基于证据的纠正验证机制，将斜视诊断从黑箱生成转变为结构化推理，在细粒度斜视基准上将加权F1分数从72.0%提升至91.3%，并显著提高诊断报告的临床可靠性。
CARV：多模态大语言模型中组合类比推理的诊断基准
机构 * Pennsylvania State University（宾夕法尼亚州立大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 本文提出CARV任务及5500样本数据集，评估多模态大语言模型在组合类比推理中的能力，发现Gemini-2.5 Pro准确率仅为40.4%，远低于人类水平，揭示模型在规则提取与组合变换上的局限。
MMR-V：未言明的是什么？视频中多模态深度推理的基准测试
机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing, China（认知与决策智能复杂系统重点实验室，自动化研究所，中国科学院，北京，中国） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Tsinghua University（清华大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 针对视频多模态推理挑战，提出MMR-V基准测试，具有长程多帧推理等特点。该基准测试含317个视频和1257个任务，实验发现当前模型多模态推理困难，最佳模型准确率低，现有增强策略收益有限，旨在推动多模态推理能力研究。
Comments Accepted at ICLR 2026. Camera-ready version
OmniFood-Bench：评估用于营养推理和个性化健康建议的视觉语言模型
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI
AI总结 介绍OmniFood-Bench基准评估用于营养推理和个性化健康建议的VLMs，基于MM-Food-100K数据集，评估其三种能力，实验发现模型在菜品命名与质量估计等方面存在“语义-物理差距”，为公共卫生自主智能体建立可信度标准。
VCG-Bench：迈向统一的视觉导向基准，用于结构化生成与编辑
机构 * The Hong Kong University of Science and Technology (GuangZhou)（香港科学与技术大学（广州）） ； Huawei Technologies Co., Ltd（华为技术有限公司） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； South China University of Technology（华南理工大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出VCG-Bench，一个统一的视觉导向mxGraph任务基准，通过符号逻辑和XML实现精确的图表生成与编辑，解决现有方法在结构化任务中的局限性。
Comments Accepted by ICML2026, 37 pages, 10 figures
生成模型了解空间：解锁隐式3D先验用于场景理解
机构 * Huazhong University of Science and Technology（华中科技大学） ； Baidu Inc.（百度公司）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出通过大规模视频生成模型的隐式空间先验提升场景理解，引入VEGA-3D框架，利用预训练视频扩散模型作为潜在世界模拟器，通过时空特征提取与语义融合增强大语言模型的几何信息，实验验证其在3D场景理解、空间推理和具身操控中的优越性。
Comments Accepted by ECCV 2026
超越思维链：重写作为生成式多模态嵌入的通用接口
机构 * WeChat Vision, Tencent Inc.（腾讯微信视觉部） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 针对思维链推理在检索中产生冗余和语义歧义的问题，提出重写驱动的多模态嵌入框架RIME，联合优化生成与嵌入，并通过跨模态对齐和精炼强化学习实现高效准确的检索。
Comments Accepted by ACMMM 2026
通过片段选择的自适应时间序列推理
机构 * harvard（哈佛大学） ； mit（麻省理工学院） ； mitll（MIT林肯实验室） ； hongkong（香港科学与技术大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.LG
AI总结 提出ARTIST框架，将时间序列推理建模为序列决策问题，通过控制器-推理器架构和强化学习自适应选择信息片段，提升推理准确率。
Comments ICML 2026
RePlan：基于推理的复杂基于指令的图像编辑区域规划
机构 * Tencent AI Lab（腾讯人工智能实验室） ； CUHK（香港中文大学） ； HKUST（香港科技大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 研究针对复杂指令图像编辑中现有模型在IV-复杂性下的不足，提出RePlan框架，结合视觉语言规划器与扩散编辑器，经强化学习提升性能，还推出IV-Edit基准，该框架在相关设置中优于强大基线，提高了区域精度和整体一致性。
Comments [ECCV2026] Precise multi-region control and planning for instruction-based image editing. Our project page: https://replan-iv-edit.github.io
自我在空间中：无人机具身智能中的自我意识与空间认知基准测试
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Hunan Normal University（湖南师范大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 研究针对无人机具身智能中自我意识与空间认知问题，引入SIS - Bench基准，通过多维度层次评估，揭示现有模型局限，探索运动感知表征提升性能，强调自我意识重要性，提供新基准和实证依据。
Comments Website:https://choucisan.github.io/publications/self-in-space ; Code:https://github.com/IntelliSensing/Self-in-Space
EFlow: 学习证据流用于具有自适应反思的长视频推理
机构 * School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； The Hong Kong University of Science and Technology（香港科技大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 提出EFlow框架，通过分离时间定位与逻辑推理（CoT）及置信度感知的反思机制，解决长视频推理中早期语义假设导致的证据偏差问题，在五个基准上提升性能。
NeSy-Route：一种用于遥感约束路径规划的神经符号基准
机构 * State Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学） ； School of Artifical Intelligence, Nanjing University, China（人工智能学院，南京大学） ； School of Intelligence Science and Technology, Nanjing University, China（智能科学与技术学院，南京大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI
AI总结 NeSy-Route是一个大规模神经符号基准，用于评估遥感中的约束路径规划能力，通过自动化数据生成框架和三级评估协议，全面测试多模态大语言模型的感知、推理和规划能力。
Comments Accepted by ECCV2026
强化学习会遗忘！迈向持续策略优化
机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Key Laboratory of Computer Network and Information Integration (Southeast University), Ministry of Education（教育部计算机网络和信息集成重点实验室（东南大学）） ； Zhongguancun Academy（中关村科学城公司） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.LG
AI总结 研究持续训练中强化学习易遗忘问题，引入MRCL基准测试，提出持续策略优化框架CPO，通过参数移动正则化减少遗忘，多模型规模实验验证了其有效性。
通过表示工程解锁大语言模型和大视觉语言模型的多语言推理能力
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） ； The University of Hong Kong（香港大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳分校） ； Huawei Technologies Co., Ltd（华为技术有限公司）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 研究针对LLMs和LVLMs在多语言推理中英语表现优于低资源语言的问题，提出无训练的推理时方法MRRE，通过在特定层注入两个预计算向量增强多语言推理能力，实验证明该方法有效提升非英语推理及输入输出语言一致性。
Comments ACL2026 main
TIIF-Bench：你的文本到图像模型如何遵循指令？
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； OPPO Research Institute（OPPO研究院）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 研究旨在评估T2I模型遵循指令能力，提出TIIF-Bench基准，含多维度、多难度提示及新评估指标，利用大语言模型知识开发可重现评估器，通过对主流模型测试分析其优缺点及现有基准局限性。
Comments 35 pages, 14 figures, 9 tables
大型语言模型中的数学推理：基准测试、架构、评估与开放挑战
机构 * organization= School of Electrical Engineering ； Computer Science, National University of Science ； organization= School of Computing, Data ； Mathematical Sciences, Western Sydney University, Indonesia ； organization= Department of Communication, Quality Management ； Information Systems, Mid Sweden University, Östersund Campus, Sweden
专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI
AI总结 本文综述了大型语言模型在数学推理方面的最新进展，通过分析数据集、架构、训练策略和评估协议，探讨了数学推理的基准测试、架构设计、评估方法以及未来的研究挑战。
EgoExoMem: 跨视角记忆推理 over 同步的自身视角和外部视角视频
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Hunan University（湖南大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 本文提出EgoExoMem，首个跨视角记忆推理基准，通过同步自身视角和外部视角视频进行跨视角记忆推理，利用E$^2$-Select方法实现高效的帧选择，实验表明自身和外部视角提供互补的记忆线索，但现有模型在基准测试中表现有限。
Comments The source code and dataset can be found at https://github.com/RuipingL/EgoExoMem
无需标注的高分辨率大多模态模型视觉推理技术
机构 * State Key Laboratory of Novel Software Technology（新型软件技术国家重点实验室） ； Institute of Brain-inspired Intelligence（脑启发式智能研究院） ； Shenzhen Research Institute of Nanjing University（南京大学深圳研究院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV
AI总结 HART通过闭环框架和AP-GRPO方法，实现无需外部标注的高分辨率视觉推理，提升多模态模型在高分辨率任务中的性能。
从我的视角到你的视角：利用特权自我中心监督从外中心视频中学习自我中心线索
机构 * University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Elorian AI
专题命中 视觉推理 ：vision language model(abstract)；分类 cs.CV
AI总结 研究针对视觉语言模型难以从外中心视频推断自我中心属性的问题，提出Ego2ExoVLM框架，利用时间同步视频对及特权监督，通过两个组件实现此能力，在多任务评估中取得领先性能。
Comments ECCV 2026
EgoDyn-Bench：评估面向自动驾驶的视觉中心基础模型中的自我运动理解
机构 * Professorship of Autonomous Vehicle Systems, Technical University of Munich, Munich, Germany（自动驾驶车辆系统教授职位，慕尼黑技术大学，德国慕尼黑） ； Bayerische Motoren Werke AG, Munich, Germany（巴伐利亚发动机有限公司，德国慕尼黑） ； Data Analytics and Machine Learning Group, Technical University of Munich, Munich, Germany（数据分析与机器学习小组，慕尼黑技术大学，德国慕尼黑）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出EgoDyn-Bench基准，用于评估视觉中心基础模型的自我运动理解能力，发现模型在将物理逻辑与视觉感知结合时存在结构性缺陷，通过显式轨迹编码可恢复物理一致性。
Comments 36 Pages, Accepted at ECCV 2026
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