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。
SDR-CIR：一种基于链式推理的语义去偏检索框架用于无训练零样本复合图像检索
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)
AI总结 SDR-CIR通过语义去偏排名方法提升无训练零样本复合图像检索性能。
Comments Accepted by WWW 2026
具有包容性的交互决策与执行以应对模糊指令
机构 * Department of Automation, Tsinghua University（清华大学自动化系） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息学院） ； Computer Science and Engineering Department, Chinese University of Hong Kong（香港中文大学计算机科学与工程系）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)
AI总结 AIDE通过双流框架整合交互式探索与视觉-语言推理，实现对模糊指令的高效决策与执行，提升机器人在陌生环境中的任务规划能力。
Comments 14 pages, 10 figures, 8 tables
从稀疏决策到密集推理：一种多属性轨迹范式用于多模态调制
机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 UniMod提出一种多属性轨迹范式，通过多维边界学习提升多模态调制效果，以更少的数据实现高效安全内容识别。
关系感知的层次3D场景图用于任务推理
专题命中 视觉推理 ：vision language model(abstract)；VLM(abstract)
AI总结 本文提出了一种关系感知的层次3D场景图，结合视觉语言模型和大型语言模型，用于任务推理和环境交互。
Comments ICRA 2026, 8 pages
当视觉与文本在列表级重排序中相遇
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)
AI总结 本文提出Rank-Nexus，一种轻量级多模态图像-文本文档重排序器，通过渐进跨模态训练策略提升重排序性能，适用于文本和图像重排序基准。
MMedAgent-RL: 优化多智能体协作以实现多模态医疗推理
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Research（微软研究院） ； CMU（卡内基梅隆大学） ； Rutgers University（罗格斯大学） ； Yale University（耶鲁大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 MMedAgent-RL通过强化学习优化多智能体协作，提升多模态医疗推理性能，实现23.6%的性能提升。
Comments ICLR 2026
MLLMRec: 基于图细化的多模态推荐偏好推理范式
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)
AI总结 MLLMRec通过图细化和多模态大语言模型提升多模态推荐的用户偏好推理与物品表示学习准确性。
迭代细化改进组合图像生成
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Lambda AI
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出了一种迭代细化策略，通过视觉-语言模型反馈提升组合图像生成质量，实验显示在多个基准上均优于并行采样方法。
Comments Project webpage: https://iterative-img-gen.github.io/
推理是一种模态
机构 * University of Missouri - Columbia（密苏里大学哥伦比亚分校）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出了一种新的视觉推理方法，通过分离控制器和工作区令牌，实现了更高效的规则执行，从而在ARC任务中取得优于人类和先前方法的准确率。
Comments Code access: https://github.com/lz7fd/Reasoning_is_a_Modality
V-Zero：基于零标注的自改进多模态推理
机构 * State Key Laboratory of CAD&CG（计算机辅助设计与图形学国家重点实验室） ； Zhejiang University（浙江大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 V-Zero通过自改进机制在无需人工标注的情况下提升多模态模型的视觉数学推理和通用视觉能力。
StarFlow: 从草图图像生成结构化工作流输出
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 StarFlow通过视觉-语言模型从草图自动生成结构化工作流，提升了自动化流程的构建效率。
Comments To be presented at EACL2026
你的推理基准可能并未测试推理：揭示抽象推理基准中的感知瓶颈
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)
AI总结 研究发现抽象推理基准中的性能差距主要源于视觉感知限制，而非推理能力不足，需设计分离感知与推理的评估方法。
RadDiff：用自然语言描述放射学图像集的差异
机构 * Stanford University（斯坦福大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 RadDiff通过多模态代理系统实现放射学图像集差异的自然语言描述，结合医学知识和多模态推理，在放射学研究配对中取得高准确率，推动临床影像分析的发展。
机构 * NAVER Cloud HyperCLOVA X Team（NAVER云HyperCLOVA X团队）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
Comments Technical Report
虚拟代理如何决定看向何处？基于具身头部旋转的符号认知推理
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)
AI总结 本文提出SCORE框架，通过符号认知推理实现具身头部旋转，结合视觉-语言模型和大语言模型，使虚拟代理能合理预测头部运动及背后动机。
Comments 13 pages, 8 figures. Accepted to SIGGRAPH Asia Conference Papers '25
Journal ref SIGGRAPH Asia Conference Papers '25, December 15-18, 2025, Hongkong
MIRAGE：农业专家引导对话中多模态信息检索与推理的基准
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 MIRAGE是一个用于农业专家引导对话中多模态信息检索与推理的基准，通过真实用户-专家交互数据，提供高保真的多模态推理评估平台。
Comments Accepted to NeurIPS 2025
DermoGPT: 开放权重和开放数据用于基于形态的皮肤病学推理大语言模型
机构 * School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学） ； Faculty of Information Technology, Monash University（信息科技学院，莫纳什大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；MLLM(abstract)
AI总结 DermoGPT通过开放权重和数据提升皮肤病学推理的MLLM性能，实现与专家诊断流程的一致性。
VideoScaffold: 基于弹性尺度的视觉层次结构用于多模态大语言模型中的流媒体视频理解
机构 * University of Science and Technology of China（中国科学技术大学） ； Ant Group（蚂蚁集团）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 VideoScaffold通过弹性尺度事件分割和层次事件整合，实现了流媒体视频理解中的细粒度到抽象事件推理的动态转换，提升多模态大语言模型的视频处理性能。
Comments 11 pages, 4 figures
LongVideoAgent: 多智能体推理与长视频
机构 * Hong Kong University of Science and Technology（香港理工大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 LongVideoAgent通过多智能体框架实现长视频的多模态推理，利用强化学习提升多智能体协作效率，优于现有基线方法。
稳定且高效的多模态推理单次迭代强化学习
机构 * Tencent AI Lab（腾讯AI实验室） ； University of Maryland（马里兰大学） ； University of Virginia（弗吉尼亚大学） ； University of Notre Dame（诺特大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 MSSR通过熵基优势塑造机制，实现多模态推理中的稳定高效单次迭代强化学习。
ManiLong-Shot：交互感知的一次学习方法用于长周期操控
机构 * National University of Singapore（新加坡国立大学）
专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)
AI总结 ManiLong-Shot通过交互感知原语分解实现长周期操控任务的一次学习，有效提升机器人任务执行能力。
Comments Accepted by AAAI 2026
多模态大语言模型真的能理解图表吗？
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； AAITC, CTO Organization, Lenovo（AAITC、CTO组织、联想） ； Lenovo（联想）
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)
AI总结 本文提出 ChartVR-3B/7B 模型，通过 VR-RFT 策略提升图表视觉推理能力，并在 ChartVRBench 上取得优异成绩。
通过视觉抽象思考：通过视觉抽象增强多模态推理
专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)
AI总结 通过引入视觉抽象思考范式，提升多模态大语言模型在视觉感知和推理任务中的性能，实现更高效的视觉推理机制。
从节目到数据：设计一种工作流，通过语言模型使表演艺术的临时性资料可访问
专题命中 视觉推理 ：vision-language model(abstract)；multimodal large language model(abstract)
AI总结 本文提出利用多模态语言模型和本体推理模型，将戏剧节目转化为结构化数据，以提升文化遗产资料的可访问性和分析能力。
Comments 19 pages, 8 figures, 5 tables, 17 references
DraCo: 文本到图像预览与稀有概念生成的草稿作为CoT
机构 * CUHK MMLab（香港中文大学 MMLab） ； CUHK IMIXR（香港中文大学 IMIXR） ； Sun Yat-Sen University（中山大学） ； SCUT（华南理工大学） ； CUHK (Shenzhen)（香港中文大学（深圳））
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 DraCo通过结合文本和视觉内容的交错推理，提升文本到图像生成的精度和稀有概念生成能力。
Comments Project Page: https://github.com/CaraJ7/DraCo
REM：通过多帧轨迹评估大语言模型的具身空间推理
机构 * Department of Computer Science（计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 REM通过多帧轨迹评估大语言模型的空间推理能力，揭示其在复杂空间任务中的不足，推动更 robust 的空间表示研究。
Journal ref Proceedings of the Conference on Language Modeling (COLM 2025)
GEO-Detective：利用LLM代理揭示图像中的位置隐私风险
机构 * CISPA Helmholtz Center for Information Security（CISPA赫尔姆霍茨信息安全中心） ； Xi’an Jiaotong University（西安交通大学）
专题命中 视觉推理 ：vision language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 GEO-Detective利用LLM代理进行图像地理定位推断，通过自适应策略和专用工具提升定位精度并降低隐私风险。
Comments 15 pages with 7 figures and 12 tables
机构 * East China Normal University（华东师范大学） ； Zhongguancun Academy（中关村学院） ； Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Zhengzhou University（郑州大学） ； 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.CV、cs.AI、cs.LG
Comments The code and dataset are available at \href{https://zgca-ai4edu.github.io/DynaSolidGeo/}{DynaSolidGeo}
机构 * Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
Comments 16 pages
Journal ref EMNLP 2025
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Zhongguancun Academy（中关村学院） ； Shanghai Innovation Institute（上海创新研究院） ； Lehigh University（莱特大学）
专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV、cs.AI、cs.LG
Comments Accepted by NeurIPS 2025
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