Tag · 7 篇
视觉推理
VisPlay：自演化视觉语言模型
VisPlay: Self-Evolving Vision-Language Models
把无标注图像变成自生成视觉问答的监督信号，用 GRPO 的多样性与难度奖励联合训练提问器和推理器，可作为 VLM 视觉推理与幻觉抑制的可复用自训练流程。
RoadSceneBench：面向中层道路场景理解的轻量级基准
RoadSceneBench: A Lightweight Benchmark for Mid-Level Road Scene Understanding
为视觉语言模型在道路场景中的关系推理与结构一致性提供了轻量评测基准，并给出基于分层关系奖励传播与时序一致性的训练框架，可直接用于评估和提升 VLM 的空间与几何推理能力。
重新审视以视觉为中心的推理泛化中长思维链的必要性
Revisiting the Necessity of Lengthy Chain-of-Thought in Vision-centric Reasoning Generalization
对做视觉推理 SFT 数据构造的人有直接指导：不必堆长 CoT 或图像操作式 CoT，只保留关键视觉定位步骤的极简 CoT 反而在不同难度（网格尺寸）上泛化最好，可作为构建可泛化视觉推理训练数据的默认策略。
ReasonMap：迈向基于交通地图的细粒度视觉推理
ReasonMap: Towards Fine-Grained Visual Reasoning from Transit Maps
ReasonMap 提供了一个需要细粒度视觉理解与空间推理的基准，可用于评估和诊断 MLLM 在视觉接地上的不足；其视觉掩码分析和强化微调基线为改进多模态模型的视觉推理能力提供了可复用的评测与训练思路。
隐式视觉推理
Latent Implicit Visual Reasoning
提出一种任务无关的隐式视觉推理 token 机制：让 LMM 在无显式中间监督下自行发现并重编码图像，可迁移到任何需要视觉中间步骤的多模态推理任务，替代依赖深度图、裁剪图等人工先验的做法。
HoneyBee：面向视觉语言推理器的数据配方
HoneyBee: Data Recipes for Vision-Language Reasoners
论文系统研究了视觉语言推理数据集的构建策略，包括上下文来源、数据干预和维度扩展，并提出了测试时扩展方法，可直接用于构建高质量多模态推理训练数据。
CodeDance：一种用于可执行视觉推理的动态工具集成多模态大语言模型
CodeDance: A Dynamic Tool-integrated MLLM for Executable Visual Reasoning
将可执行代码作为视觉推理的通用求解器，通过动态组合工具（如检测、绘图）并渲染中间视觉产物，实现透明、可自检的推理过程；其强化学习训练中涌现的工具组合与跨任务迁移能力，为视觉语言模型的可解释推理与工具增强提供了新范式。