The 29× cost gap between frontier models with a 3-point score spread changes the economics of choosing a model for scientific agent workloads. Teams building lab-automation or biotech analysis tools can use the per-task cost and turn counts to pick models that fit their budgets. The 19-point deficit of open weights models like Kimi K3.1 Pro also marks a concrete ceiling for on-premise deployments.
视觉推理 RL 训练里错误定位一直很难，这篇论文的 VAG 用证据对比来过滤教师修正，在 6 个基准上超过了 GRPO，做训练的可以看看。
Elorian 出了个视觉推理模型 Glimpse，专治模型看动态画面就翻车的问题，Jeff Dean 都转发了，可以试试。
Elorian 做了个叫 Glimpse 的视频理解模型，看视频时会回放、裁剪、抽帧，甚至跑代码对比画面变化。
新公司 Elorian 出了个视觉推理模型 Glimpse，自称图表理解和视频描述能打赢 GPT-6 Astra，不过数据是自评的，看看就好。
一篇挺有意思的论文：给扩散模型外挂一个小推理网络，10M 参数就把最难 Sudoku 从 4.1% 拉到 71.2%，不用符号监督。
Efros、Damen、Manling Li 三个人在 CVPR 2026 聊机器还能从人类学什么，从数据增广聊到空间推理缺口，观点挺尖锐。
FAB measures whether models can combine images with instruction manuals, a skill that transfers to appliance repair and equipment inspection rather than simple document recall. Engineers building visual inspection or step-by-step guidance tools can use the 80% vs 28% gap as a marker of how quickly multimodal spatial reasoning has matured. Chinese models Alibaba Qwen and Google Gemini were also noted for characteristic error patterns in the study.
TraceViT在ARC上刷到67.8%，思路是让每步推理都有中间状态监督，代码还会开源，想搞视觉推理的可以盯一下。
这篇论文用新数据集CSB系统地测了十年间视觉语言模型的进化，发现最新模型在复杂社交场景上已经跟人类顶级描述差不多准了，只有空间依赖错误还没完全解决。
这篇论文用TriViewBench测了18个多模态模型，发现它们都在多视图推理上崩得厉害，CoT也救不了。想了解当前MLLM的结构推理极限，可以看看。
这篇论文系统测了多模态思维链到底行不行，发现它在视觉定位上帮倒忙，但对数学推理很管用，还揭示了视觉瓶颈。做多模态的值得看。
SpatialClaw 不用额外训练，靠写代码搞定复杂视觉任务，在 20 个基准上平均提升 11.2 分，还兼容多种模型。
ARC是AGI的关键测试，L-VARC用语言引导视觉推理，18M参数就能超越SOTA，做视觉推理或小模型研究的开发者值得一试。
做视觉AI的开发者会关心：你的ViT模型真的理解“蓝色圆形”是一个整体吗？这篇论文给出了量化绑定信息的方法，值得点开看看如何诊断模型的结构性盲点。
视觉推理强化学习一直缺乏有效的信用分配机制，VEPO解决了这个痛点——做多模态RL的团队可以直接参考这个框架，在视觉-语义交叉场景中提升模型表现。
做机器人或自动驾驶的团队终于有了一个全开源的物理世界模型——Cosmos 3 原生支持视觉推理和动作生成，32B 和 8B 两个版本覆盖不同算力场景，值得直接上手试试。
VAGEN解决了VLM智能体在复杂环境中缺乏内部世界模型的问题，做机器人或自动驾驶研究的团队值得关注，它可能让AI的决策更接近人类推理。
