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。
揭秘视频推理
机构 * SenseTime Research（商汤科技研究院） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文通过实验揭示视频扩散模型中的推理主要发生在去噪步骤中，提出链式步骤（CoS）机制，并发现工作记忆、自我修正和感知先行等涌现行为，最后提出一种无需训练的集成策略来提升推理能力。
Comments Homepage: https://www.wruisi.com/demystifying_video_reasoning
OPLD：用于多模态推理的在线策略隐层蒸馏
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出OPLD框架，将多模态CoT的推理能力迁移至隐层表征，经多模态基准实验，其性能优于现有隐层推理方法，达到当前最优。
MMHBench：用于长视频心理健康理解的多视角基准测试集
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MMHBench多视角心理健康理解基准，含268个长视频与2184条问题，采用MAQG框架生成问题，评估22个多模态大语言模型后发现该任务仍具挑战性。
多模态空间推理的视觉信用审计
专题命中 视觉推理 ：MLLM(abstract_cn)；分类 cs.CV、cs.AI
AI总结 该研究提出视觉信用审计（VCA）方法，分解多模态空间推理基准的成功维度，发现部分模型决策正确但未获图像额外信用，验证了其在评估模型视觉关系响应上的有效性。
Comments 20 pages, 2 figures. Code: https://github.com/SouthWinter/VCA
视频模型的视觉提示工程
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 研究视频模型能否从视觉提示工程中受益，通过自动修改任务图像提升性能，如视觉物理推理任务。发现视觉提示工程（VIPE）能提高视频推理性能，比传统方法更有效，为提升视频模型视觉推理性能提供简单高效途径。
CADER：用于长视频理解的置信度感知动态证据推理
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对长视频理解中现有系统推理过程不考虑难度的问题，提出CADER框架。它先全局推理估计置信度让高置信度示例提前退出，对不确定示例激活第二阶段工具增强循环定位证据，实验证明其能提升长视频推理能力并提供实用推理路线。
MarineEVT：通过视觉工具推理推进以事件为中心的海洋视频理解
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Electronic Science and Technology of China（电子科技大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对海洋视频理解面临的挑战，构建MarineEVT数据集，将其理解分解为EVT-R1过程，利用视觉工具驱动模型。实验显示EVT-R1优于多个SOTA VLMs，为海洋相关发展奠定基础并推动VLMs进步。
Comments Accepted to The 19th European Conference on Computer Vision (ECCV) 2026
空间智商：通过分层能力测试解构空间智能
机构 * NVIDIA Research（英伟达研究院） ； Yale University（耶鲁大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对多模态大语言模型空间推理能力不足问题，提出Spatial-IQ分层诊断框架，分解物体计数任务为子任务，生成数据集评估模型，发现模型存在问题，且用思维链监督和强化学习训练可提升模型表现。
用于多模态思维链推理的视觉显著性引导蒸馏
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对多模态思维链推理在小模型中存在的问题，提出视觉显著性引导蒸馏方法，利用多模态大语言模型注意力图生成扰动图像，经奇异值分解提取引导向量指导层间蒸馏，实验证明该方法能改进推理生成和答案推理。
大语言模型中置信度的计算基础
机构 * Google DeepMind（谷歌DeepMind） ； École Polytechnique（巴黎综合理工学院） ； Princeton University（普林斯顿大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 研究大语言模型中置信度的计算基础，利用统计决策置信度框架，通过答案 - 对数差异测试其预测特征，结果表明在多种任务中答案对数可作潜在决策变量读出，为多模态语言模型置信度提供解释并统一研究框架。
基于推理的防护栏何时效率不高？ResponseGuard：用于实时审核的快速视觉语言防护工具
机构 * POSTECH（浦项科技大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究视觉语言防护栏筛查回复是否需推理，提出无链式推理的ResponseGuard，通过对请求、回复和图像的单一合并表示一次前向传递读取有害裁决，在回复有害性检测上优于基于推理的防护栏，且时间成本低，还发现了差距原因及推理防护栏注意力问题。
Comments 8 pages, 6 figures, 3 tables. Project page: https://ndb796.github.io/ResponseGuard ; Code: https://github.com/ndb796/ResponseGuard
Relay-Bench：评估大语言模型在多领域推理链上的表现
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 Relay-Bench是用于评估大语言模型在多领域推理链能力的基准测试，测试集含复合问题，涵盖多领域，模型使用无限制，鼓励利用工具，领先模型GPT-5.5（xHigh）得分43.3%，问题由两到十三个子问题组成，无需多模态输入输出。
Comments 21 pages, 7 figures
OrientSAM：通过方向感知空间对齐减轻多模态空间推理中以相机为中心的捷径
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究多模态模型空间推理中以相机为中心的问题，提出OrientSAM框架，通过方向感知令牌、傅里叶角度编码及课程学习策略注入方向信息并改善推理，构建数据管道生成监督，实验证明其在多任务中表现出色，能减轻捷径行为，实现更强大的以对象为中心的空间推理。
地理空间基础模型的新兴范式：从预训练到智能推理
机构 * Google Public Sector（谷歌公共部门）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究地理空间基础模型的新兴范式，通过职责分离实现预训练与特定任务微调，探讨不同类型模型能力及实现考虑因素，提出模型适应策略分类法和框架，展望智能地理空间推理推动领域从感知到认知的发展。
Comments 18 pages, 4 figures. To appear in Lecture Notes in Computer Science (LNCS)
Journal ref Lecture Notes in Computer Science, Vol. 16446 (2026)
探索用于生成高质量数学视觉辅助工具的智能工作流程
机构 * Stanford Graduate School of Education（斯坦福大学教育研究生院） ； Department of Computer Science（计算机科学系）
专题命中 视觉推理 ：vision language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对中学数学图表可靠生成难的问题，引入智能工作流程，让 LLM 智能体评估并迭代改进生成的视觉效果，通过探索性评估确定改进关键领域，初步证明可提高 AI 生成数学图表的可靠性和教育价值。
Comments 13 pages, 9 figures. Exploratory course project on agentic workflows for generating and evaluating K 12 mathematical diagrams
基于连续元数据条件的参数高效视觉语言适配用于动物再识别
机构 * Department of Computer Science, University of Verona（维罗纳大学计算机科学系） ； Institute of Marine Research（海洋研究所） ； University of Agder, Centre for Coastal Research（阿格德大学海岸研究中心）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 针对动物再识别中适应纵向生态环境的挑战，提出基于连续元数据条件的参数高效CLIP适配框架，通过保留元数据连续结构，在训练中平滑调制嵌入空间，提升了对外观变化和分布偏移的鲁棒性，实现纯视觉推理管道。
Comments This is the author's version of the paper accepted for publication in Expert Systems with Applications. The final authenticated version will be available from the publisher
多语言视觉多项选择题中小视觉语言模型的测试时缩放
机构 * ImageCLEF Lab（图像CLEF实验室） ； University of Amsterdam（阿姆斯特丹大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.AI、cs.LG
AI总结 研究小型视觉语言模型在多语言视觉多项选择题中的测试时缩放，比较多种方法，发现运行条件重要，可解析性是关键，增加解码预算有帮助，复杂方法贡献小，最佳配置在测试集上表现出色，位居排行榜首位。
Comments 14 pages, 2 figures, accepted at ImageCLEF 2026
玩禅道世界：在主动视觉概念归纳中挑战人工智能代理
机构 * AIML Lab, TU Darmstadt（人工智能机器学习实验室，达姆施塔特工业大学） ； Hessian Center for AI (hessian.AI)（黑森州人工智能中心） ； Psychology of Information Processing, TU Darmstadt（信息处理心理学，达姆施塔特工业大学） ； Centre for Cognitive Science, TU Darmstadt（认知科学中心，达姆施塔特工业大学） ； Cornell University（康奈尔大学） ； Max Planck Institute for Informatics, SIC（马克斯·普朗克信息学研究所，SIC组） ； German Center for AI (DFKI)（德国人工智能研究中心）
专题命中 视觉推理 ：VLM(abstract)；分类 cs.CV、cs.AI
AI总结 研究构建智能系统时代理感知、假设形成及实验设计问题，提出禅道世界环境，评估多种代理方法，发现预测标签精度与恢复潜在规则无关，感知和归纳是不同瓶颈，基于视觉语言模型的代理实验无信息，还收集人类数据揭示差距及改进途径。
MAVEN：一种多阶段代理标注管道用于视频推理任务
机构 * NVIDIA
专题命中 视觉推理 ：vision language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MAVEN，一种多阶段代理标注管道，通过链式推理轨迹生成多任务训练数据，用于视频事件推理任务，核心方法是多尺度时空事件描述，支持代理驱动的领域适应，通过分层细化循环改进数据质量，并在多个数据集上验证了其有效性。
Comments CVPR 2026 Workshop
用于文本到图像上下文学习的思维树推理
机构 * Korea University（韩国大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究文本到图像上下文学习中模型的推理问题，提出思维树推理框架，通过多阶段推理和选择层减轻提示模糊性与组合错误，实验表明该结构化多分支推理能提升图像生成效果，无需额外训练或微调。
Comments 6 pages, 3 figures, 4 tables. Accepted at IEEE SMC 2026. Code available at https://github.com/Pandastep/ToT-T2I-ICL
SpaR3D-MoE：来自稀疏视图的自适应3D空间推理与几何归纳专家混合模型
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； YUKUN Intelligent World（宇琨智能世界）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对多模态大语言模型在2D与3D表征差距问题，提出SpaR3D-MoE框架，通过自适应时空采样和几何归纳专家混合模型，从稀疏RGB输入实现自适应空间推理，在多个实验中取得最优性能。
Comments Accepted to ECCV 2026
FORGE：通过关键点轨迹推理实现功能工具使用的泛化
机构 * MARS Lab, Nanyang Technological University（南洋理工大学MARS实验室） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对机器人功能工具使用泛化问题，提出FORGE两阶段策略，通过关键点轨迹推理解耦功能推理与动作执行，在七工具击打基准测试中，对未见工具表现优于现有方法，平均成功率显著提升。
Comments 15 pages, 8 figures, 6 tables
K9-Bench：在以犬类为中心的视频上评估多模态大语言模型
机构 * Ogmen Robotics Inc.（Ogmen机器人公司） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视觉推理 ：VLM(abstract)；分类 cs.CV、cs.AI
AI总结 介绍K9-Bench基准，通过约5000个问答对测试多模态大语言模型对犬类动作和互动理解。提出数据生成管道创建数据集，发现前沿模型在犬类任务上零样本性能有限，还提供通用数据集构建管道。
荷马：通过分层记忆和智能推理理解长视频
机构 * Soochow University（苏州大学） ； Tencent Hunyuan Multimodal Department（腾讯混元多模态部）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究长视频理解问题，提出荷马分层在线记忆探索与推理框架，其记忆反映视频多尺度结构，智能推理器按人类方式探索记忆，通过多轮检索组合答案，性能优于此前最佳方法。
Comments under review
DELTAVID：利用跨视频差异增强细粒度时空感知
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Kuaishou Technology（快手科技）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究针对视频多模态大语言模型缺乏精确局部时空感知问题，提出DELTAVID框架，将跨视频找差异转化为可训练感知信号，还引入相关数据集，提升了跨视频差异理解性能并能迁移到通用视频理解基准。
VideoSearch-R1: 通过软查询细化实现迭代视频检索与推理
机构 * KAIST（韩国科学技术院） ； Korea University（高丽大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出VideoSearch-R1框架，通过软查询细化（SQR）在连续潜空间优化搜索查询，结合GRPO训练，实现大规模视频库的迭代检索与精确时序定位，性能达SOTA。
Comments Accepted to ECCV 2026
基于模态驱动与整体轨迹判断的ARC-AGI-2求解方法
机构 * Independent Researcher（独立研究者）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 针对抽象推理中候选轨迹选择难题，提出模态驱动搜索生成多样化候选，并结合整体判断模型在长上下文中联合比较所有轨迹，在ARC-AGI-2上以低成本达到72.9%准确率，超越前沿模型。
Comments 37 pages, 4 figures; source code available at AGI" target="_blank" rel="noopener">https://github.com/beetree/ARC-AGI
视频推理模型是否已准备好走向户外？
机构 * NTU Singapore（新加坡国立大学） ； Korea University（韩国大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ROVA框架，通过时空腐蚀建模提升模型鲁棒性，并引入PVRBench基准测试真实环境扰动下的性能，验证了ROVA在准确性和推理质量上的显著提升。
Comments Project Page: https://robust-video-reason.github.io/, accepted by ECCV 2026
通过语义探索发现视觉提示
机构 * Sony Group Corporation（索尼集团公司） ； Pohang University of Science and Technology（浦项科技大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 提出SEVEX算法，通过抽象思想空间和语义反馈自动探索任务级视觉提示，提升LVLM图像感知能力。
Comments Accepted to ECCV 2026, project page: https://jaechang.dev/projects/SEVEX/
MuseBench: 多模态大语言模型中意图级视听艺术理解的基准测试
机构 * NTU Singapore（南洋理工大学） ； The University of Hong Kong（香港大学） ； Johns Hopkins University（约翰霍普金斯大学） ； AI2（人工智能研究所） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出MuseBench基准，通过4016道涵盖电影、视觉艺术、舞台表演和游戏艺术的选择题，评估多模态大模型对艺术创作意图的理解，发现最佳模型准确率仅48.29%，远低于人类专家的87.18%。
Comments Project page: https://musebench.github.io
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