标签
inclusionAI 发布了 ZwZ2 系列（27B/9B/4B），基于 Qwen3.6 微调的视觉语言模型，通过 EvidenceConnect 构建的多区域验证数据与 GRPO 训练，在六大领域 25 个基准上均超越基座模型，总体准确率从 55.52 提升至 60.51（+4.99）。
该论文提出了BedBench，一个包含十三个程序化生成的3D推理任务的受控基准，结果显示视觉语言模型能够做出正确的单个判断，却无法恢复并一致地应用精确的逐色计数（准确率为7.2%，而人类为93.3%），并主张应从精确正确性、一致性以及对视觉的依赖性等多个维度进行评估，而非仅看准确率。
Elorian AI 发布 Glimpse 模型，声称是首个实现「视觉思考」的 AI 模型，能够像人类一样逐步观察、检查并推理图像内容，在 12 个未见过的迷宫测试中成功解出 11 个，并自行编写代码追踪路径并绘制动画解答。
讨论视觉思考与推理（visual thinking and reasoning）成为热门方向，并认为 Google DeepMind 前研究员创办的 Elorian 公司发布的 Glance/Glimpse 模型有替代传统 CV 的趋势，可与端侧小模型、云端 LLM 协同完成视觉理解与推理。
Elorian 发布首个视觉思考模型 Glimpse，能够对图像和视频进行推理，理解动作与变化，并有望自动化机器人遥操作数据的标注流程。
ElorianAI 发布 Glimpse，其首个视觉思考模型，通过在视频中比较时间点之间的变化、回溯源帧、裁剪区域、提取帧或运行代码来进行推理（visual scratch space），在关键视觉推理基准上具备与前沿模型 Astra 竞争的性能。
Andrew M. Dai 引用介绍了 Glimpse——首个视觉思考模型，能够理解图像与视频中的物体关系及随时间变化的动作，性能可与前沿模型 Astra 相媲美。
Elorian AI 发布首个视觉思考大模型 Glimpse，主打视频/图像的空间结构与动态理解，作者实测其在游戏验收与漏洞检测中的表现显著优于 Astra，并已开放 API，可集成进 Codex 等开发流程。
Andrew Dai 和 Elorian 团队发布了 Glimpse——首个在关键公共视觉推理基准上与 Astra 竞争力相当的视觉思考模型，解决了模型在动态、多角度场景下表现不佳的问题，Jeff Dean 对此表示祝贺。
位于帕洛阿尔托的初创公司 Elorian 在完成 5500 万美元种子轮融资后，发布了其首款 AI 模型 Glimpse。该模型围绕"视觉暂存空间"构建，能够在推理过程中实时裁剪、缩放、抽取视频帧以及执行代码，从而真正"看到"图像，而非仅仅对 token 进行推理。Glimpse 以研究预览版的形式推出，提供 API 访问，定价低于中端模型，并声称在科学图表推理和视频字幕生成方面超越了 GPT-6 Astra。
该论文从电路复杂度视角证明，标准流匹配采样步骤无法超越恒定深度模型的表达能力，而自条件化（self-conditioning）可将表达力提升至与空间受限图灵机等价，从而实现更深的视觉序列推理。
本文探索了利用通用编码智能体通过可执行程序而非生成模型来构建图像的方法，引入了 AgentDrawBench 基准测试，并发现智能体在不同的绘图接口之间保持了一套共享的内部视觉思维语言。
Game2Real-Bench 是一个研究玩具游戏能否反映并迁移到真实世界视觉推理的基准，涵盖 25 个 VLM 的评测，发现游戏与真实任务间存在高达 0.935 的强相关性，并发布了包含约 24K 验证样本的 Game2Real-Dataset。
VETR提出了一种执行证据驱动的递归自我改进框架，通过分析程序执行轨迹来改进符号图形推理中的场景生成，在BlenderGym和BlenderBench上超越了现有优化策略。
推出「人类第六感」（Humanity's Sixth Sense）——一项测试直觉视觉推理的新基准，涵盖空间推理、因果推理与社会理解等多个维度。人类得分为93.1%，表现最强的模型GPT-6-astra达到53.6%，而模型中位数得分仅为30.9%。
WOVEN 提出了一个面向视觉转移推理的训练数据源与基准，涵盖 20 种场景、5 种动作和 8 种推理类型共 36,076 个样本，并对 38 个前沿多模态大模型进行了评测。研究发现训练后的能力可广泛迁移到 26 个外部基准中的 22 个，最高提升 27.3 个百分点，并总结出一套可复用的视觉世界建模训练配方。
本文介绍了“人类的第六感”（Humanity's Sixth Sense，HSS），这是一个用于评估多模态大语言模型直觉视觉推理能力的基准。结果显示，人类的准确率达到93.1%，而最强的模型GPT-6-astra仅达到53.6%，凸显了模型在隐性视觉理解能力方面与人类存在显著差距。
一篇介绍直觉视觉推理基准测试（"人类的第六感"）的新论文，旨在评估多模态 AI 模型的感知直觉能力。
Google 的研究人员表明，采用严格局部连接和异步更新的 Neural Cellular Automata（神经元胞自动机）能够解决复杂的视觉推理任务，例如大型迷宫、数独和 ARC-AGI-1，能够在分布外进行泛化，并能在受损后稳健恢复。
本文指出了多模态大语言模型隐式视觉推理中的「隐式证据-信用鸿沟」，并提出 ReaLVR，通过对比正确/错误答案以及相关/不匹配图像，为自由运行的隐式轨迹引入视觉证据监督。ReaLVR 在三大模型系列上均优于 LVR 基线（在 Qwen2.5-VL-7B 上五任务平均达到 63.7%），并能稳健地扩展到 2350 亿参数的前沿模型。