🧠 VLM Reasoning¶

🧠 NeurIPS2026 · 2 篇论文解读

Can Linguistic Reasoning Vectors Enhance Multimodal Reasoning Ability?: LIFT 从基础大语言模型中提取“有无推理过程时，同一答案 token 的隐状态差”，将其注入对应视觉语言模型的语言层，在不更新主干的条件下，把两个模型的六任务平均准确率从 66.6/67.8 提升到静态干预的 68.3/69.0，向量适配后达到 69.1/69.4。
OneCanvas: 3D Scene Understanding via Panoramic Reprojection: OneCanvas 将多视角图像的 patch 特征提升到 3D 后，作为独立连续 token 放到统一全景坐标系，用原生 RoPE 表达角度与帧序、用加性嵌入表达度量位置，再以合成空间课程预训练和真实问答适配，在 SQA3D、VSI-Bench、SPBench 分别取得 65.3、71.3、72.1。