标签
OpenVLHarness 是一个多模态推理框架，通过能力层、持久化多模态记忆与编码接口实现异构工具组合，在 22 个基准上相较无工具基线平均提升 9.7-12.6 分，同时显著降低 token 成本。
一项受控研究比较了视觉语言模型中的在线策略蒸馏（OPD）与过滤式监督微调（SFT），发现OPD仅在教师模型于学生生成轨迹上保持可靠时才有效，并且会继承教师的失败模式（如不完整回答），甚至可能抹去SFT阶段学到的完成行为。
CoWorld Reasoner 是一个利用视频世界模型作为灵活视觉推理引擎的智能体框架，通过引导视觉想象和工具协同进化，使视觉-语言模型在七个时空推理基准上取得显著提升（如 MMSI 相对提升 11.8%、ERQA 提升 13.0%）。
ThinkDrag提出了一种统一的多模态框架，将视觉推理引入基于拖拽的图像编辑，通过语义变换和显式推理轨迹解释用户意图，并发布了DragBench++基准测试，实现了最先进的编辑效果。
论文提出 MOTIVE 框架，通过多视角自验证学习可靠性分数，在多模态推理中做出接受或重新思考的决策，从而提升视觉语言模型答案的可靠性并减少不必要的推理轮次。
本文评估了 ChatGPT、Claude、Gemini 和 LLaVA 等视觉语言模型如何处理违反格莱斯准则的视觉问答问题，即问题中包含非必要、含混或虚假的修饰语。结果表明，这些模型的性能会有所下降，且其语用推理能力与人类相比存在差异。
该研究提出了一种面向 Omni-LLM 的以文本为中心的后训练范式：仅用纯文本的推理训练即可带来大部分性能提升（使 Qwen2.5-Omni-7B 的推理得分提升 25.83%，同时节省 56.6% 的 GPU 时长）；随后通过减少数据量的原生音视频强化学习来恢复感知能力，仅需约减少 90% 的输入 token，即可保留 93.5% 的推理收益。
该论文提出了 VisKG，这是一个强化学习框架，用于训练视觉-语言模型将图像转化为特定问题的知识图谱表示，在提升视觉问答推理效率的同时减少 token 使用量。论文提出的 GDPO 目标函数在科学、数学和通用视觉推理基准测试上的平均准确率较基于 GRPO 训练的模型高出约 2%。
OmniReasoning 提出了 OmniReasoningBench 基准、数据引擎（OmniQA）用于生成 SFT 与 RL 训练集，以及一种模态分解自蒸馏方法（MFSD），最终训练出的 30B-A3B 模型在视听联合推理基准上以两位数的领先幅度超越了 Qwen3-Omni-30B-A3B-Thinking。
本文提出了首个面向丰富用户历史的个性化图像生成统一基准，并提出 PEARL 方法，将多模态推理器与冻结的图像生成器耦合，在交错的推理—反思循环中运行，并通过差异化数据奖励进行优化，在个性化指标上平均提升 15%。
LoopVL 将 Loop Transformer 扩展到视觉-语言模型中，通过共享模块（Module-Loop 和 Model-Loop）迭代更新统一的多模态状态，在理解与推理基准上超越了同等规模的非循环模型，并在注意力中呈现出引人注目的'视觉顿悟时刻'。
本文提出了 Scaffolding Minds 方法，通过学习一个专用的脚手架编码器来获得优化的隐空间视觉目标表示，并同时学习强化学习采样器的均值和方差，将隐空间推理基线在 Frozen Lake 空间规划任务上提升 +9.5 分，并在九个视觉推理基准上平均提升 +5.6 分。
WM-VLM 论文为预训练 VLM 增加轻量级世界模型分支，通过两阶段训练生成中间视觉状态以支持语言与视觉双通道推理，在 2D/3D 心智旋转任务上较监督微调基线最高提升 39.25 个百分点。
本文提出解耦信用自蒸馏（DCSD），将信用方向和幅度分离用于自蒸馏，在11个基准测试中，数学推理提升8.45分，多模态推理提升7.01分。
本文介绍了SciGen-Verifier，一个用于科学图像生成可解释验证的多模态推理模型，以及一个新的基准测试和强化学习训练流程。
ICDAR2026竞赛展示了来自8支团队的结果，重点介绍了使用结构化证据提取和多组件协调来处理跨多种文档领域的VQA任务的先进系统。
Uni-LaDiR 引入了一个用于多模态推理的统一潜在扩散框架，将特定模态的思维映射到共享的潜在空间，并使用扩散来生成推理步骤，在视觉语言基准测试中取得了性能提升。
本文提出PIVOT，一个双层学习框架，通过自校准经验回放和视觉引导优势分配优化强化学习，以增强大型视觉语言模型中的视觉基础推理。
OPD-Aha 引入了一种新颖的在策略蒸馏方法，利用视觉偏好来纠正多模态推理中的幻觉，在多个基准测试中实现了持续改进。
本文介绍了TestHallVQA，一个多图像VQA基准，用于评估大型视觉语言模型在冗余上下文下的文档级推理，并提出了一个新的指标F1-R2来量化计算推理和鲁棒性。