【ICCV2025教程】《迈向视觉语言模型的全面推理》

计算机视觉顶会ICCV 2025于10月19日至25日在美国夏威夷举行，今年论文投稿数11239篇，录用 2701篇，录用率为 24%，首次突破1w+的投稿量。Orals : 64篇（在总稿中占比0.6%，在录用稿中占比2.4%）、Highlights : 263篇、Posters 2374篇。

视觉语言模型（Vision-Language Models, VLMs）在图像描述（image captioning）和视觉问答（visual question answering）等任务中取得了显著进展，但如何发展出真正的推理能力仍然是一个尚未解决的开放性挑战。与近年来在推理导向的大语言模型（reasoning-focused LLMs）中取得的突破不同，许多现有的 VLM 仍主要依赖于模式识别，对组合逻辑（compositional logic）的处理能力不足。 本教程将系统综述视觉语言模型的推理能力，重点探讨从基础感知到复杂推理的演化过程。内容涵盖多模态语境下的推理导向提示与训练方法、推理能力评估基准，以及视觉—文本融合的结构创新。通过讲座与实践演示相结合的形式，参与者将深入理解当前视觉语言模型的推理能力现状、在组合泛化与可解释性方面的持续挑战，并获得关于推理机制实现的实用指导。 本教程的独特之处在于，它将大语言模型推理领域的最新进展延伸至视觉领域，聚焦空间信息处理的独特挑战，并为构建具备更高认知能力的视觉语言系统提供系统化的研究路线图。目录内容：