标签
论文提出 ReImaGin 框架，将图像生成模型用作多模态大语言模型的灵活视觉推理机制，实现移除遮挡、从分散视角生成户型图等开放式视觉操作，在六项视觉推理任务上比纯文本基线和专用视觉工具基线高出最多 25%。
CUSP 是一个无需训练的框架，通过语义意见池化来量化多智能体多模态系统中的集体不确定性，相比基线方法提高了可靠性和准确性。
本文介绍了因果视觉循环推理（CVRR），一种强制进行循环隐藏状态计算的视觉推理方法，它在基准测试中提升了性能，同时区分了潜在信息性和实际预测用途。
Aphanta是一个自动化诊断框架，用于评估图像编辑中间步骤在多模态推理管道中的效用，显示任务依赖的益处，并提高特定任务的性能。
本文介绍了一个基准测试，用于研究大型语言模型如何仲裁来自文本和数字来源的冲突证据，发现模型使用启发式策略，并偏向于近期性和外部工具。
本文揭示了经过强化学习训练的多模态大型推理模型中的一个隐私漏洞：即使在最终答案中成功消除了敏感事实，模型仍可能在推理轨迹中重现这些事实。为此，本文提出LEMUR，一个无需训练、推理时运行的框架，利用熵动态来检测并抑制此类泄露。
本文介绍了可视化任务语义（VTS），一种受控干预方法，用于研究多模态大语言模型在图像中而非文本中被提问时的情况。研究显示，在所有测试模型和任务上，准确率均出现一致下降，并提出了提示区域对齐（prompt-region grounding）以恢复干净的任务表示，将VTS准确率从58.0提升至66.3。
本文介绍了反思性检索记忆（RRM），一种记忆框架，从历史任务轨迹中提炼程序性检索经验，以改进长时程多模态推理中的证据检索。RRM在M3-Bench-Robot、M3-Bench-Web和Video-MME-Long基准上达到或超过了先前的最先进水平。
MAGE是一个多模态多智能体框架，通过结合结构化布局规划规则、视觉检查和迭代优化，改进了VLSI物理设计中的宏布局，在时序指标上优于商业布局工具和人类专家。
S1-Omni是一个用于科学任务（包括理解、预测和生成）的统一多模态推理模型。它基于包含200个科学任务的语料库进行训练，在大多数基准测试上优于GPT-5.5和Gemini-3.1-Pro。
本文介绍了MAR-12，一个利用视觉语言模型和多角度推理来检测和解释模因中有害幽默的框架，在PrideMM和Memotion数据集上达到了最先进的准确率。
本文研究了在面向多语言视觉多选题基准EXAMS-V上，针对小规模开放视觉语言模型（参数量≤7B）的测试时扩展技术。研究发现，推理预算和可解析性比复杂的搜索或验证方法更为重要。最佳配置在ImageCLEF 2026测试集上达到84.1%的准确率，在排行榜上排名第一。
提出非对称互变分学习（AMVL），通过双向校准防止答案泄露并提升潜在空间稳定性，解决多模态连续推理中的训练-推理不匹配问题，在BLINK基准测试上取得了显著的性能提升。
提出一种辩论者混合（MoD）框架，利用混合专家模型实现单个LLM内的动态自我辩论，在显著降低延迟和令牌消耗的同时实现更优的准确率。
CogniRoute 是一个基于模式引导的专家混合框架，用于社交视频问答，通过认知模式分解和路由感知的强化学习提升了多模态推理能力。在新的 OmniSocialBench 基准上，它相较于基线取得了显著提升。
本文介绍了MathVis-Fine，一个用于多模态数学推理中细粒度视觉依赖建模的框架，同时包含一个新数据集和一个两阶段渐进式训练范式，该范式根据每个样本固有的视觉依赖水平平衡答案正确性奖励和视觉接地奖励。
FinAcumen是一个框架，它将先前轨迹中的推理经验累积到持久记忆库中，用于金融多模态推理，在四个基准测试上提升了性能，同时保持冻结的8B视觉语言模型不变。
VeriGeo提出了一种可控几何问题生成框架，利用验证引导的反思确保数值与分析一致性。该方法生成高质量合成数据，在GeoQA上取得最先进结果，并在PGPS9K和MathVista-GPS上表现强劲。
本文提出了多模态多维度标量化过程奖励建模（MMS-PRM），该方法在多模态推理中强制最差维度的鲁棒性，以防止视觉幻觉等失败被强大的文本逻辑掩盖。
提出SpecFlow，一种轻量级多模态空间推理框架，在固定大小的离散余弦空间中表示中间视觉思维，将计算和KV缓存成本降低多达2.1倍，同时保持有竞争力的性能。