标签
Moondream 3.1 是一款采用混合专家架构的视觉语言模型（总参数量9B，激活参数量2B），提供最先进的视觉推理、检测、指点和描述功能，可通过 Photon 推理引擎本地部署，或通过 Moondream Cloud API 使用。
本文表明，最先进的视觉-语言模型在视觉推理中的长度泛化任务上因“全局捷径”而失败，并证明将局部中央凹感知与递归相结合能够实现鲁棒的分布外泛化。
MentalThink 引入了一种视觉-符号推理范式，用于多模态大语言模型（MLLMs），该范式使用SVG代码作为中间视觉表示进行多轮推理。通过SFT和RL的两阶段训练，在空间推理基准上取得了出色表现。
PixelEyes 提出了一种多轮视觉推理代理，通过掩码引导搜索和语义区域广度优先搜索解耦感知与推理，并引入新基准（Pinpoint-Bench）和数据集（PixelEyes-6K），以提升视觉证据搜寻中的定位能力。
V-Zero 是一种新颖的无标签框架，用于细粒度视觉推理，它利用对比证据门控和在线策略蒸馏，无需标注答案标签即可提升性能，且训练速度远超传统方法。
VeriEvol是一个新颖的框架，用于在视觉数学推理中扩展强化学习，通过一个双轴方法来确保可靠的奖励标签，该双轴方法将提示难度与答案可靠性分离，使用进化算子和假设检验验证。它在五个基准的视觉数学测试集上取得了显著的准确率提升。
本文介绍了视觉具象化推理，一种使视觉语言模型能够将自然语言推理与使用点或框的明确视觉证据基础相结合的方法。一个可扩展的合成流水线和基础感知的强化学习提高了推理准确性，使得一个4B模型在空间和计数基准上能够匹配甚至超越一个27B模型。
Visual Para-Thinker++提出了一种用于视觉推理的单策略多智能体框架，该框架使用角色条件化智能体（主智能体、工作智能体、汇总智能体）和专用训练方法，以减少幻觉并提高效率，在幻觉敏感基准测试上优于基线。
本文指出，视觉推理中的失败往往源于思维链生成过程中视觉与文本证据之间的动态跨模态协调崩溃。它介绍了DyCo-RL，一个强化学习框架，通过奖励有效的跨模态协调来提升推理性能。
介绍了高效算子搜索（EOS），这是一个统一的可微分框架，将令牌缩减方法（剪枝、合并、池化、自适应重加权）泛化到共享算子空间，在预算约束下自动搜索最优算子组合。该方法在多个基准上取得有竞争力的结果，并揭示了一致的算子模式。
VAMPS 是一个包含 1,168 道多模态双语数学题的新基准，旨在评估 LLM 能否通过构建图形/可视化并对其进行推理来提升解题能力。核心发现：即便在绘图本是自然解题策略的问题上，直接分析求解的表现也出人意料地优于借助工具进行可视化求解。
TRON 提出了一种可扩展的在线环境，用于视觉推理强化学习，可生成无限多样且答案可验证的训练实例，在多个多模态基准上展现出持续的性能提升。
视觉思考-视觉-语言-行动策略（VisualThink-VLA）引入了一种用于视觉-语言-行动策略的视觉中间推理框架，该框架保留了空间精度，并相比基于文本的推理显著降低了延迟，在机器人操作基准测试中实现了亚秒级推理和领先的成功率。
本文提出MARS，一种单锚多源推理框架，利用动态锚定量化信息增益，并在基于可验证奖励的强化学习过程中调节模态交互，在GRPO和DAPO上分别实现了3.2%和4.9%的性能提升，涵盖多个数据集。
ETCHR是一种新颖的图像编辑方法，它将视觉推理与图像生成解耦，采用两阶段训练过程（推理模仿和推理增强）来提升多模态语言模型在五个视觉推理任务上的性能。在Qwen3-VL-8B、Gemini-3.1-Flash-Lite和Kimi K2.5等模型上，Pass@1持续提升4-5%。
ATLAS提出了一种视觉推理框架，该框架通过功能标记将智能体操作和隐式表示相结合，实现了通过下一个标记预测和强化学习进行高效训练，同时避免了中间图像的生成。
本文介绍了 RIS，这是一个用于多模态大语言模型的空间-语义接地潜层视觉推理框架，旨在克服信息瓶颈。该框架提出将潜在令牌（tokens）锚定于空间和语义证据之上，在 V* 和 HRBench 等基准测试中展现出性能提升。
本文介绍了同策略数据演化（ODE）和一种视觉原生智能体框架，以提升多模态深度搜索智能体的性能。通过实现视觉证据的可重用性和闭环数据生成，ODE 显著提升了 Qwen3-VL 智能体在多个基准测试中的表现，超越了 Gemini 2.5 Pro。
本文识别并形式化了多模态RAG中的“再污染”现象，即添加准确上下文会导致模型因注意力崩溃（视觉盲区和位置偏差）而放弃正确预测。作者提出BAIR，一种无参数的推理时框架，能恢复视觉显著性并惩罚文本干扰因素，从而在医学、公平性和地理空间基准上提高可靠性。