🧠 VLM Reasoning¶
🧠 NeurIPS2026 · 81 篇论文解读
📌 同领域跨会议浏览: 🎞️ ECCV2026 (171) · 📷 CVPR2026 (150) · 🔬 ICLR2026 (112) · 💬 ACL2026 (32) · 🧪 ICML2026 (31) · 🤖 AAAI2026 (10)
🔥 高频主题: 推理 ×74 · 多模态 ×31 · 人脸/视线 ×3 · LLM ×3 · Agent ×3
- 2D Spatial Reasoning with Adaptive Neural Cellular Automata
-
针对传统神经元胞自动机(NCA)因固定的局部感受野而无法处理全局几何依赖的问题,本文提出了自适应神经元胞自动机(aNCA),利用多头可变形卷积实现动态、数据自适应且可解释的空间感知,以仅数十万级参数在数独与迷宫寻路等任务上显著超越传统扩散与层次推理大模型。
- A Benchmark for Omni-Modal Reasoning in Long Videos
-
提出了包含 274 个超长视频(平均 41 分钟)、3,401 个多轮/单轮意图驱动样本的全模态长视频基准 LongShOTBench 与细粒度量规评分机制,并设计了结合跨模态索引与检索-精炼-验证循环的免训练智能体 LongShOTAgent(取得 66.64% 的 SOTA 表现)。
- A Systematic Evaluation of Vision-Language Models for Observational Astronomical Reasoning Tasks
-
提出了涵盖光学成像、射电干涉、多波段测光、时域光变和光学光谱五大多模态任务的天文评测基准 AstroVLBench(4,100+ 专家标注样本),系统揭示了通用前沿 VLM 在天文观测推理中存在的强模态依赖性、物理机理与表象脱节以及“对答案错理由”现象。
- AgroOmni: A Large-Scale Multi-View Agricultural Dataset for Cross-Scale Multimodal Reasoning
-
针对现有农业多模态大语言模型局限于地面近景而产生的视角偏差与尺度混淆问题,本文构建了包含地面、无人机与卫星三级视角、28.8万精细指令微调问答对的跨尺度农业数据集 AgroOmni,并提出了结合监督微调与组相对策略优化的基线模型 AgroNVILA,在 AgroMind 评测中达到 62.32% 的全新 SOTA(大幅超越 GPT-5.2 的 47.29%)。
- Allocentric Perceiver: Disentangling Allocentric Reasoning from Egocentric Visual Priors via Frame Instantiation
-
Allocentric Perceiver 是一种无需训练的即插即用框架,通过视觉专家与3D几何模型提取度量级状态,并显式构建目标物体驱动的外中心参照系与几何文本提示,将多模态大模型的内隐心理旋转转化为显式确定性计算,显著消除以自身为中心的视觉先验偏差。
- AlloSpatial: Agentic Harness Framework for Spatial Reasoning in Foundation Models
-
提出 AlloSpatial 智能体装具框架,通过 World2Mind 沙盒将第一人称观测转化为结构化外中心空间树(AST)与路径地图,并借助装具引导的强化学习(HGTR)内化多模态仲裁与主动工具调用,显著提升基础模型的 3D 空间推理能力。
- ANCHOR: Audio-Visually Grounded Chain-of-Thought Reasoning Benchmark
-
提出了包含 2,319 个视频与 8,272 个问答对的视听对齐思维链推理基准 ANCHOR,通过 SAM3 空间边界框、时序证据区间与声学线索的精细化人机协同标注,以及解耦的多维度大模型裁判体系,系统揭示了多模态大模型在回答正确但推理伪对齐的核心瓶颈。
- ARCANA: A Benchmark for Abstraction and Analogical Reasoning
-
针对现有评测缺乏对跨领域远距离类比推理系统检验的痛点,论文构建了包含 200 个任务的基准 ARCANA,揭示出大语言模型与人类之间的显著认知鸿沟,并提出基于概念滑移、内省与反思的推理框架 ConceptSIR,显著提升了模型在该高难度任务上的求解能力。
- ARK: A Dual-Axis Multimodal Retrieval Benchmark along Reasoning and Knowledge
-
提出了首个显式解耦知识维度与推理维度的多模态检索基准 ARK,涵盖 5 大学科领域、17 个子类、16 种异质视觉格式与 6 种推理技能,揭示了当前检索系统在细粒度视觉与空间推理上的严重性能瓶颈。
- ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both
-
ATLAS 将辅助几何构图、局部缩放及语义标注等复杂视觉操作内化为词表中单个离散功能 Token,无需像素级图像生成或外部工具调用,并在强化学习中提出锚定优化目标 LA-GRPO 解决稀疏梯度稀释难题。
- AVIS: Adaptive Test-Time Scaling for Vision–Language Models
-
针对视觉语言模型测试时长思维链推理带来的显存与计算开销激增,本文提出 AVIS 框架,在共享 Prefill 架构下通过无训练的 \(O(N)\) 键多样性剪枝压缩视觉上下文,并利用轻量难度预测器自适应调配推理采样路径数,在显著降低 FLOPs 和延迟的同时全面超越基线准确率。
Benchmarking Multimodal Mathematical Reasoning with Explicit Visual Dependency
- BrainTRACE: Tracing Longitudinal, Multimodal, and Volumetric Evidence in Brain MRI Clinical Reasoning
-
BrainTRACE 是首个以纵向脑部 MRI 临床复查与循证推理为核心的报告对齐评测基准,包含来自 1,778 名纵向随访患者、7,299 次 MRI 检查的 7,273 个结构化问答实例,揭示了前沿多模态大模型在孤立视觉识别与长程临床证据链综合之间的严重能力断层。
- Bridging Modalities, Spanning Time: Structured Memory for Ultra-Long Agentic Video Reasoning
-
针对跨越数天至数月的超长视频理解,提出免训练框架 MAGIC-Video,通过多模态记忆图与时序叙事记忆链实现跨模态与跨时序事实的高效检索与智能体多轮推理。
- 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。
- CausalSpatial: A Benchmark for Object-Centric Causal Spatial Reasoning
-
本文构建了首个物体中心化因果空间推理诊断基准 CausalSpatial,揭示了多模态大模型过度依赖虚幻文本思维链而脱离物理实景的缺陷,并提出了基于4D轨迹控制视频生成的外化因果世界模型 COW。
- CODA: Cohort- and Drift-Aware Foundation Model for Multimodal Clinical Reasoning
-
针对传统医疗大模型仅在孤立实例层面推理而忽略群体先验与个体特异性的局限,CODA 提出了融合强化学习队列层次划分与原型漂移自适应的双阶段临床推理架构,在多模态 EHR 问答与报告生成任务上显著超越现有医疗基线。
- CoLVR: Enhancing Exploratory Latent Visual Reasoning via Contrastive Optimization
-
针对现有隐式视觉推理硬对齐导致隐空间同质化和探索坍缩的问题,CoLVR 提出角度扰动隐式对比微调与基于强化学习的隐式轨迹对比奖励,大幅提升隐式视觉状态的表征多样性与探索推理能力。
- Distinguishing Performance From Competence in Evaluations of Humanlike Abstract Reasoning
-
通过在简化且面向核心概念的 ConceptARC 基准上解耦输出准确率与自然语言规则抽象性,本文揭示了前沿推理大模型(如 o3)在文本网格模式下存在依赖局部捷径虚高表现的问题,而在视觉多模态下虽输出准确率暴跌,却具备超出表现的潜在抽象归纳能力。
- DocScope: Benchmarking Verifiable Reasoning for Trustworthy Long-Document Understanding
-
提出了首个将长文档问答形式化为包含证据页、证据边界框、事实陈述与最终答案的四阶结构化推理轨迹基准 DocScope,揭示出即使在答案正确的样本中完整证据链比例最高也仅有 29%,证实端到端答案准确率无法替代细粒度证据链评测。
- Does Seeing More Mean Knowing More? Mono-Anchored Advantage Normalization for Multi-Source Visual Reasoning
-
针对多模态视觉推理中盲目融合导致模态冲突与性能劣于单模态的问题,本文提出 MARS 框架,利用单源视觉奖励作为动态锚点进行混合优势归一化,显式建模信息增益并自适应抑制冲突干扰。
- DRAGON: A Benchmark for Evidence-Grounded Visual Reasoning over Diagrams
-
提出了图表证据定位基准 DRAGON,涵盖科学图表、统计图表、电路原理图、信息图和地图等 6 大领域共 2,445 个高质量人工核验实例,设计 EDGE、SAGE、VERGE 三种渐进式提示协议,揭示了主流 VLM 即使答对问题也极难精准定位完整推理证据链的核心缺陷。
- DRScaffold: Boosting Dense-Scene Reasoning in Lightweight Vision Language Models
-
针对轻量级视觉语言模型在密集场景下多实体与复杂关系推理的系统性崩溃,本文提出基准评测集 DRBench 与脚手架监督微调框架 DRScaffold,通过实体定位、场景图构建、分步推理与答案生成的四阶段因果链及分阶段梯度掩码,使 3B 规模模型在密集推理上超越未微调的 32B 大模型。
- ElasticFit: Fit-Aware 3D Object Insertion via VLM Reasoning and Generative Adaptation
-
ElasticFit 提出了一种由 VLM 推理驱动的拟合感知 3D 物体插入框架,通过将自然语言指令与场景渲染转化为显式 3D 拟合几何约束,结合场景条件生成先验与刚性/均匀/弹性形变适应,并在物理仿真下沉降,解决了受限空间与复杂几何中的高保真物体插入难题。
- Enhancing Gaze Reasoning in Vision Foundation Models for Gaze Following
-
针对视觉基础模型在视线跟随任务中容易依赖场景语义显著性走“语义捷径”的致命缺陷,本文提出头部条件局部LoRA(HCLoRA)与锥外几何惩罚(Out-of-Cone Penalty),在冻结骨干场景语义的前提下定向强化头部特征的凝视几何推理,在目标非显著场景下取得显著性能突破。
- EventPrune: Cascaded Event-Assisted Token Pruning for Efficient First-Person Dynamic Spatial Reasoning
-
针对第一人称动态空间推理中视频多模态大模型高分辨率Token二次方注意力开销巨大的难题,提出首个免训练事件辅助级联剪枝框架ECP,结合时域事件因果采样、空域运动显著性过滤与层级秩对齐融合,在减少80%视觉Token的同时超越全量Baseline并实现1.89倍推理加速。
- Evidence-RL: Towards Evidence-Intensive Visual Reasoning
-
提出了反事实证据解耦诊断机制 CED,通过特征空间邻域均值替换对比目标证据区域与非证据区域的似然降幅,将证据依赖信号与答案正确性联合注入 GRPO 训练,在零推理开销与无题目专属标注下显著消除 VLM 快捷路径与语言先验偏见。
- Fill the GAP: A Granular Alignment Paradigm for Visual Reasoning in Multimodal Large Language Models
-
针对预归一化多模态大模型输出隐状态与输入视觉嵌入之间数倍至数百倍的模长失配及子空间漂移问题,提出粒度对齐范式 GAP,通过主成分投影头、辅助视觉信号上下文监督与难度感知选择性分配,实现了端内自回归连续视觉隐式推理性能的稳健增益。
- FinMTM: A Multi-Turn Multimodal Benchmark for Financial Reasoning and Agent Evaluation
-
针对现有金融多模态评测局限于单轮选择题且忽视长程交互与智能体决策的问题,FinMTM 构建了涵盖 11,133 道中英双语题目、多轮开放对话(含认知分级)以及工具调用智能体任务的综合基准,揭示了前沿 VLM 在复杂逻辑、长期记忆与工作流规划上的严峻瓶颈。
- From Document Layout to Causal Topology: An End-to-End Architecture for Temporal Causal Reasoning
-
针对大语言模型在时序场景中仅做浅层时间线排序而缺失深层因果拓扑建模的问题,本文借鉴视觉文档版面重排思想,提出免训练神经符号代理 TCR-Agent 与将因果拓扑掩码和时间跨度偏置直接内化至 Transformer 注意力计算的端到端模型 TCR-Former。
- GeoSym127K: Scalable Symbolically-Verifiable Synthesis for Multimodal Geometric Reasoning
-
本文提出神经符号几何合成引擎 GeoSym,通过任意精度符号流形、连通域分析视觉对齐与解析求解器构建了 127K 符号可验证的几何数据集 GeoSym127K 及评测基准 GeoSym-Bench,结合 SFT 与确定性奖励 GRPO 强化学习,显著解决了多模态大模型在复杂几何推理中的视觉幻觉与长程逻辑断裂问题。
- Gold Panning: Strategic Context Shuffling for Needle-in-Haystack Reasoning
-
针对长上下文大模型严重的“迷失在中间”位置偏差,提出无须白盒权重的黑盒贝叶斯重排框架 Gold Panning,通过位置诊断度标定与信号锚定策略,在少 30%–65% 的查询量下达到排列自洽性基线的大海捞针检索精度。
- Hear, Localize and Reason: Spatially Aware Scene Understanding for Audio-Visual LLMs
-
针对传统音视频大语言模型仅将音频视作单声道语义内容而缺失空间感知的瓶颈,本文构建了包含听觉-定位-推理层级体系的大规模基准 HLR-AVSceneQA,并提出引入双耳空间音频分支与三阶段思维链微调的 HLR-LLM,显著提升了具身与物理场景下的视听空间定位与关系推理能力。
- Hide to See: Reasoning-Prefix Masking for Visual-Anchored Thinking in VLM Distillation
-
针对长思维链多模态模型蒸馏过程中学生模型过度依赖前缀文本线索而导致视觉遗忘的问题,本文提出 Masking-KD 框架,通过在单次前向中自适应掩盖高影响力的推理前缀 token 并动态调度掩码预算,强迫学生模型利用视觉证据补偿丢失的文本线索,显著提升紧凑型 VLM 的视觉锚定推理能力。
- HopChain: Multi-Hop Data Synthesis for Generalizable Vision-Language Reasoning
-
本文提出 HopChain,一个针对视觉语言模型强化学习的可扩展多跳数据合成框架,通过将单目标属性与跨目标关系严密串联成依赖链并输出确定数值,迫使长思维链推理在每一步持续进行视觉重定位,在 24 个跨领域基准上全面提升泛化能力。
- Imagine3D-LLM: Teaching MLLMs to Imagine 3D Scenes before Answering
-
本文提出 Imagine3D-LLM,通过在图像标记后引入可学习的紧凑高斯摘要标记,在语言模型内部解码出抽象的 3D Gaussian Splatting 表征并结合可微分光度重建与教师蒸馏训练,让大模型在生成回答前先行“脑补”场景的 3D 布局,大幅提升了多视角复杂空间推理能力。
- Learning to Evolve Scenes: Reasoning about Human Activities with Scene Graphs
-
针对第一人称视频中场景动态理解依赖隐式连续表征的局限,本文提出 SG-Ego 大规模时空场景图数据集与 GLEN 图编辑网络,将人类动作驱动的场景演化建模为条件图编辑预测任务(A-GEF),实现了显式、结构化且高可解释性的动态推理。
- Look Before You Reason: Implicit Visual Thinking for Efficient Multimodal Reasoning
-
提出了 LoRe(Look Before You Reason)隐式视觉思考框架,在单轮 VLM 推理中自主预测关键区域并直接增强对应图像 token 的 KV Cache Value 向量,配合 GRPO 强化学习端到端优化,在几乎不增加推理延迟的前提下显著提升细粒度视觉推理能力。
- MMOU: A Massive Multi-Task Omni Understanding and Reasoning Benchmark for Long and Complex Real-World Videos
-
针对现有 MLLM 缺乏长时程音视频联合推理评测的问题,本文提出了包含 20,000 道专家标注多选题与开放式问答、涵盖 11,877 段真实长视频(最长 121 分钟)与 13 种基础推理技能的大规模全模态理解基准 MMOU,揭示当前最强闭源模型仅获 64.2% 准确率、开源模型仅 46.8% 的严峻能力鸿沟。
- More Than Meets the Eye? Uncovering the Reasoning-Planning Disconnect in Training Vision-Language Driving Models
-
揭示了当前视觉语言模型(VLM)自动驾驶智能体在训练中普遍存在的“推理-规划解耦”现象,证实轨迹规划严重依赖文本先验的快捷路径而非因果链条中的思维链(CoT)推理,并提出了免训练因果探针进行量化诊断。
- Motion-O: Trajectory-Grounded Video Reasoning
-
针对现有视频大模型将帧间运动隐式脑补导致动态推断不可靠的缺陷,Motion-o 提出空间-时序-轨迹(STT)推理框架与离散化运动思维链(MCoT),结合轨迹一致性与时序扰动双链验证奖励,在不改动模型架构下显著提升视频动态推理准确度。
- MVVBench: Benchmarking 4D Reasoning in Vision-Language Models
-
针对现有评测缺乏对跨视角与时间轴联合 4D 推理能力考察的问题,本文提出了首个多视角视频 4D 推理基准 MVVBench,由专家基于严格的单目歧义约束人工构建 1,323 道问答,并提出免重训的结构化思维链与工具增强动态场景图(TADSG),揭示并缓解了前沿 VLM 在跨视角身份对应与动态事件对齐上的严重缺陷。
- NeuronEye: Query-Guided Visual Concept Activation for Vision-Language Reasoning
-
NeuronEye 利用稀疏自编码器从冻结 VLM 中间层重构出概念级神经元词表,依据语言问题动态激活并注入相关视觉概念证据,同时在深层抑制主导感知方向,在免微调骨干的前提下显著提升了多视角与空间几何推理表现。
- NoRA: Evaluating Grounded Reasonableness in Visual First-person Normative Action Reasoning
-
提出了基于第一人称视频的规范性行为推理基准 NoRA 与“事实-理由-行动”支持图评测体系,打破选择题虚假理解陷阱,通过基础合理性指标(\(R\))揭示出当前顶尖多模态大模型在构建完整合理行动空间和正确绑定因果理由上的核心瓶颈。
- OmniJigsaw: Enhancing Omni-Modal Reasoning via Modality-Orchestrated Reordering
-
针对全模态模型在音视频协同推理中缺乏低成本自监督强化学习任务的痛点,本文提出 OmniJigsaw 框架,通过两阶段粗到细数据过滤构建音视频时间片段拼图重排序代理任务,并揭示了双模态捷径现象,设计片段级模态遮蔽(CMM)建立跨模态信息瓶颈,显著提升了全模态模型的时序感知与协同推理能力。
- On the Faithfulness of Visual Thinking: Measurement and Enhancement
-
针对现有交织视觉工具调用的多模态思维链(MCoT)中视觉证据被模型严重漠视、存在“虚假视觉思考”的非忠实性问题,本文提出基于因果干预与外部大模型裁决的双维度忠实度度量准则,并设计了无需人工标注的充分组件原因模型(SCCM)强化微调策略,通过“充分性门控+紧致性乘性奖励”迫使模型生成真正承载因果推断的最小视觉证据。
- 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。
- Perceive, Interact, Reason: Building Tool-Augmented Visual Agents for Spatial Reasoning
-
针对视觉语言模型在复杂多步空间推理任务中仅凭隐式编码难以获取细粒度局部证据的问题,本文提出工具增强视觉智能体 PERIA,解耦构建感知与交互两大家族工具沙盒,并提出观察松弛组内策略优化算法 OR-GIGPO 实现精准信用分配。
- PRISM: A Benchmark for Programmatic Spatial-Temporal Reasoning
-
针对大语言模型在程序化视频生成中“代码能运行但画面布局崩塌”的盲区,本文提出包含 10,372 个高质量中英文图文代码对的大规模基准 PRISM 与四维漏斗型渲染评测体系,揭示了执行成功率到空间合格率断崖式下跌 41% 的“执行-空间鸿沟”。
- Reason in the Words You Speak: Idiolectal Paraphrasing Off-Policy Traces for Reasoning Distillation in VideoLLMs
-
针对混合策略 GRPO 蒸馏中特权推理轨迹因严重分布外偏移引发信任域截断、致使语义核心词梯度静默失效的问题,提出了 Echo-GRPO 框架,通过双参考解码(DRD)将教师特权轨迹改写为学生原生个人方言轨迹,使 VideoEcho-R1 在多模态骨干模型与视频推理基准上取得显著性能提升。
- RECAP: Looking Once Is Not Enough for Vision-Language Reasoning
-
针对长思维链多模态大模型在推理过程中易脱离视觉证据发生时间接地漂移的问题,本文提出 RECAP 框架,通过提取脱钩的视觉重访轨迹来调节动态折扣因子和门控价值预测,在不改变在线采样策略与推理计算量的前提下显著提升了长程视觉推理的准确性并抑制幻觉。
- Reinforcing Multimodal Reasoning Against Visual Degradation
-
针对强化学习微调多模态大模型时对模糊、压缩与噪声等视觉退化极度脆弱且易引发奖励中毒的痛点,ROMA 通过双前向通道、教师强制重评估、最差视角 KL 不变性约束、锚定干净优势的辅助策略梯度以及正确性门控,在零退化采样与零奖励中毒前提下显著增强多模态推理鲁棒性。
- Seeing Together: Multi-Robot Cooperative Egocentric Spatial Reasoning with Multimodal Large Language Models
-
针对多机器人第一视角视频流下空间与动态推理难以协同的瓶颈,本文构建了首个多机器人协作空间推理基准 CoopSR(含 11.4 万道 QA),并提出 SG-CoR 框架,通过时域频域能量采样、位姿与频谱引导的多视角融合以及训练期特权位姿提示词蒸馏,在无需测试期位姿输入的条件下显著提升了多模态大模型的协作推理能力。
- Self-Rewarded Multimodal Coherent Reasoning Across Diverse Visual Domains
-
针对多模态大模型仅监督最终答案导致中间思维链自相矛盾与视觉幻觉的问题,SR-MCR 融合五大过程级内生自奖励并结合置信度感知冷却机制的无 Critic GRPO,无需人工偏好标签即可显著提升推理连贯性与跨域泛化表现。
- SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning
-
针对工具增强型空间智能体受限于单次代码生成或刚性 JSON 工具调用接口的瓶颈,SpatialClaw 提出基于持久化 Python 内核的代码动作接口框架,使 VLM 能够在多轮交互中灵活组合几何感知原语、检查中间视觉/数值证据并动态修正推理,在 20 项空间推理基准上取得显著突破。
- StemBind: When MLLMs Get Lost Between Rules and Instances in Abstract Visual Reasoning
-
针对多模态大模型在抽象视觉推理中“看得清元素、找得出规律,却选不对答案”的脱节现象,本文构建了首个共享题干的诊断基准 StemBind,结合 Sternberg 四阶段认知分解与阶梯式刺激注入,揭示出“规则到实例绑定(S3 Mapping)”是当前前沿模型的核心瓶颈,且模型扩展与思考模式均无法弥合该缺陷。
- StreamGaze: Gaze-Guided Temporal Reasoning and Proactive Understanding in Streaming Videos
-
针对流式视频中多模态大模型缺乏人类注意力感知信号的瓶颈,本文提出首个结合人眼注视点动态的流式评测基准 StreamGaze,涵盖过去、当前与前瞻性三大维度 10 项任务,揭示了前沿 MLLM 与人类水平(0.535 vs 0.827)在时序注意力转移与主动意图推理上的巨大差距。
- Structure Over Scale: Learning Visual Reasoning from Pedagogical Video
-
针对前沿视觉语言模型(VLMs)在基础空间关系与导航推理中严重依赖海量数据暴力拟合却依然频发感官幻觉的瓶颈,本文提出 SoSVQA 基准与教学视频强化学习微调范式,从幼儿教育节目中自动提取 10K 组对齐了“情境-提问-停顿-解答”教学闭环的高信噪比问答对,仅用 78 小时视频配合 GRPO 即实现多项通用视频理解基准上的大幅越级飞跃。
- SVoT: State-aware Visualization-of-Thought for Spatial Reasoning via Reinforcement Learning
-
针对多模态大模型在多跳空间规划中中间状态不可验证与状态转移隐式化的难题,本文提出基于强化学习的状态感知思维可视化框架(SVoT),通过生成结构化中间状态、显式动作转移推理链以及对齐的可视化图像,并结合 GRPO 进行过程级密集奖励优化,在跨分布测试集上取得了高达 65% 的绝对准确率提升。
- Taming CoT Obfuscation in VLMs: From Mechanistic Evidence to Activation-Level Enforcement
-
针对强化学习引发多模态大模型思维链“高准确率但低可监控性”的混淆退化现象,本文揭示了内部表征空间中模板特征与视觉锚点可分性下降的机理,并提出了结合反混淆反馈循环与非对称稀疏自编码器(SAE)激活约束的 TAME 框架。
- TaskGround: Structured Executable Task Inference for Full-Scene Household Reasoning
-
针对家庭具身智能体面对庞杂场景与模糊情境请求时难以直接生成可执行动作的难题,本文提出免训练的“定位-推断-执行”(Ground–Infer–Execute)框架 TaskGround,并在包含 400 项任务的 FullHome 基准上,以高达 18 倍的输入 Token 成本降幅实现了性能的大幅跃升。
- Temporal Backtracking Search for Test-time Generative Video Reasoning
-
针对传统视频生成推理在去噪步搜索无效以及根节点采样盲目丢弃上游正确进度的困境,本文提出时序回溯搜索(TBS),通过可变前缀条件生成、时序过程验证与前缀优先级搜索,将视频推理重构为“生成-验证-回溯”循环,在长程与分布外视频推理任务中显著优于 Best-of-N。
- Test-time scaling of diffusions with flow maps
-
本文提出流映射轨迹倾斜(Flow Map Trajectory Tilting, FMTT),利用流映射具备任意时刻瞬时向前预测(look-ahead)终点的性质计算下游复杂奖励梯度,结合简化的 Jarzynski 重要性权重与序列蒙特卡洛/贪婪搜索,实现了扩散模型在测试时的高效可扩展推理与多模态 VLM 语义对齐。
- Think, Then Score: Decoupled Reasoning and Scoring for Video Reward Modeling
-
针对生成式视频奖励模型中推理与打分耦合导致的信用分配困难和梯度高方差震荡,本文提出 DeScore 架构,将多模态思维链生成与标量奖励回归显式解耦,以 24% 的训练数据在域内及域外基准上全面超越现有判别式与生成式 SOTA。
- Thinking with Imagination: Agentic Visual-Spatial Reasoning with World Simulators
-
提出 Astra 框架,将动作条件化世界模拟器(Astra-WM)与基于两阶段强化学习训练的 VLM 智能体策略(Astra-VL)协同解耦,使多模态模型能够在多视角空间推理过程中按需主动“想象”并获取新视点观测证据。
- ThinkJEPA: Empowering Latent World Models with Large Vision–Language Reasoning Models
-
ThinkJEPA 通过解耦设计将高频密集观察的 V-JEPA 潜空间动力学分支与均匀大跨度采样的 Qwen3-VL 思考者分支结合,利用分层金字塔模块聚合 VLM 多层推理表征并通过 FiLM 逐层调制预测器,突破了纯视觉潜空间预测缺乏语义常识与长程上下文的瓶颈,在具身轨迹预测、长程递归递推及物理场景预测中全面超越现有单分支基线。
- TopoGraphRAG-Bench: Evaluating Multimodal GraphRAG on Layout-Grounded Evidence Reasoning
-
针对现实长文档中证据跨正文、图表和复杂版面分散的问题,提出了首个显式评测多模态证据拓扑恢复能力的评测基准 TopoGraphRAG-Bench,通过自底向上的单跳检索、桥接链推理和多源综合三类受控拓扑及反事实验证,系统揭示了文本 GraphRAG、页面级视觉检索和多模态 GraphRAG 在版面跨模态推理上的核心瓶颈。
- Touch-R1: Reinforcing Touch Reasoning in MLLMs
-
Touch-R1 针对异构光学触觉感知中的序数物理属性与视觉欺骗难题,构建了百万级触觉推理数据集 TouchReason-1M,并提出结合序数感知精度奖励、跨传感器物理一致性奖励、结构化格式规范与反事实触觉接地目标的 GRPO 强化学习框架,促使多模态大语言模型在物理接触中涌现出检验、对比与自我修正推理能力。
- Train the Agent, Not the Expert: Learning to Harness Heterogeneous Experts for Multi-Turn Visual Reasoning
-
VisHarness 提出一种解耦高层决策与底层执行的视觉智能体范式,通过动态视觉记忆归档与在线 GRPO 强化学习,仅需极少训练数据即可自主学习在多轮交互中高效调度异构视觉专家,跨越分割、检测与密集计数等多类复杂多模态推理任务。
- UniPath: Adaptive Coordination of Understanding and Generation for Unified Multimodal Reasoning
-
UniPath 针对统一多模态模型中“理解与生成”缺乏动态协调的问题,提出规划器-执行器解耦框架,将多模态推理形式化为 5 种协同路径的选择与执行,利用对齐视觉思维监督训练执行器并结合基于查询形态校准的轻量规划器,实现了更高精度与更低 token 消耗的 Pareto 双赢。
- UniRAP: Towards Unified Part-level Physical Affordance Reasoning and Actionable Perception
-
UniRAP 基于 Qwen2.5-VL 与 SAM 2 提出统一的接口 Token 机制与可触力解码器,将多模态提示映射到目标框、部件级 Affordance 掩码与连续 4-DoF 抓取位姿,在动静态场景及真机抓取中实现了跨粒度物理交互推理。
- UniVR: Thinking in Visual Space for Unified Visual Reasoning
-
针对传统 MLLM 局限于文本符号空间进行链式推理、无法建模连续物理动态与时空演化的问题,UniVR 提出了首个摆脱语言中介、直接在原生视觉空间学习异构推理与长程规划的统一生成框架,并通过结合全局完成度与局部高不确定性步骤聚焦奖励的 VR-GRPO 强化学习算法,在新建的大规模 VR-X 基准及经典多模态理解任务上取得突破性进展。
- Unveiling Fine-Grained Visual Traces: Evaluating Multimodal Interleaved Reasoning Chains in Multimodal STEM Tasks
-
提出了包含 283 道研究生水平理科难题的 StepSTEM 基准与基于注意力展开及图像补丁对齐的步骤级双层评测框架,揭示了当前顶级 MLLM 仍严重依赖文本快捷方式且统一多模态交错推理能力孱弱的深层缺陷。
- VICO: Visual Environments Co-Evolving for Vision-Language Model Reasoning
-
针对现有视觉语言模型后训练在静态视觉环境下模型提升后任务难度脱节、学习信号塌缩的问题,VICO 提出了 Actor 与环境重写器(EnvRewriter)的双向协同演化框架,通过对图像结构化底层(场景图、数据表、掩码)进行编辑与确定性重新渲染,以模型实证通过率反馈将任务难度动态校准至学习前沿(\(\hat{p} \approx 0.5\)),在无需额外人工标注的前提下显著提升了多模态推理能力与分布外泛化性。
- VISD: Enhancing Video Reasoning via Structured Self-Distillation
-
针对长程视频推理中序列级奖励稀疏且缺乏精细信用分配的瓶颈,VISD 提出结合视频感知裁判的结构化自蒸馏框架,通过方向-幅度解耦机制让真实奖励优势引导更新方向、结构化特权差异调制 token 级梯度幅度,在长程视频基准上实现更高精度、更强时空对齐与近 2 倍收敛加速。
- Visual Enhanced Depth Scaling for Multimodal Latent Reasoning
-
针对多模态隐式推理中视觉更新不足与固定深度难以应对复杂 token 的瓶颈,本文提出空间连贯视觉重放(SCF-VR)与路由深度缩放(RDS),结合渐进式课程训练实现高效精准的连续表征推理。
- Visual Latents Know More Than They Say: Unsilencing Latent Reasoning in MLLMs
-
针对多模态大语言模型在潜空间推理中自回归目标对输入视觉特征产生捷径依赖、致使高质量视觉潜变量被边缘化(Silenced Visual Latents)的病理现象,本文提出一种完全冻结基座权重、在测试时对视觉潜变量执行对比热身与置信度渐进奖励优化的两阶段免训练推理增强框架。
- VLRS-Bench: A Vision-Language Reasoning Benchmark for Remote Sensing
-
针对遥感视觉语言模型长期偏向基础感知识别而缺乏高阶认知能力的痛点,构建首个涵盖认知、决策与预测三大维度、包含14个子任务与2,000道高质问答对的专业复杂推理基准 VLRS-Bench。
- What MLLMs Learn about When they Learn about Multimodal Reasoning
-
提出了基于形式化几何的解耦评测基准 MathLens,将多模态大模型的推理能力严格拆解为感知提取、纯文本推理与多模态特异性协同三个正交维度,揭示了强化学习与文本 SFT 等训练范式在各能力维度上的结构性演进差异。
- What’s Holding Back Latent Visual Reasoning?
-
系统评估了现有主流多模态大模型的连续隐式视觉推理机制,通过因果干预与几何分析揭示了模型普遍绕过隐变量(旁路问题)以及推断期隐表征高度坍缩的根本成因。
- When and How Much to Imagine: Adaptive Test-Time Scaling with World Models for Visual Spatial Reasoning
-
针对多模态大模型在空间推理中无节制调用世界模型导致算力浪费与幻觉噪声的痛点,本文提出了自适应测试时视觉想象控制框架 AVIC 及基于 GRPO 强化学习训练的 AVIC-R,实现了根据视觉充分性自适应决定“何时想象”与“想象多少”,以更低的世界模型调用次数和语言 token 消耗超越了常开想象基线与强商业模型。