多模态模型在解决视觉任务时越来越多地使用工具（裁剪、缩放、旋转、调亮），这被称为图像思考。核心挑战在于感知：工具揭示视觉证据，推理则依赖语言，大多数目标是人类可以直观判断的。然而，有些视觉问题需要执行多步视觉算法，单靠语言描述算法无法运行。Code-with-Image方法让模型通过Python解释器实现真实的视觉算法，程序本身即为推理。模型通过无训练的反思循环自我学习，修正失败程序，保留有效技能。在Code-with-Image基准测试中，即便是GPT-5.6-luna无工具思考准确率低于30%，使用裸解释器达43%，通过自我进化技能达到67%。开放的27B模型同样表现出显著提升。代码承载推理，使得调试代码即调试推理过程。
这条 研究论文 信号说明，来自 arXiv cs.CV 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CV 发布了这条关于 研究论文 的更新：多模态模型在解决视觉任务时越来越多地使用工具（裁剪、缩放、旋转、调亮），这被称为图像思考。核心挑战在于感知：工具揭示视觉证据，推理则依赖语言，大多数目标是人类可以直观判断的。然而，有些视觉问题需要执行多步视觉算法，单靠语言描述算法无法运行。Code-with-Image方法让模型通过Python解释器实现真实的视觉算法，程序本身即为推理。模型通过无训练的反思循环自我学习，修正失败程序，保留有效技能。在Code-with-Image基准测试中，即便是GPT-5.6-luna无工具思考准确率低于30%，使用裸解释器达43%，通过自我进化技能达到67%。开放的27B模型同样表现出显著提升。代码承载推理，使得调试代码即调试推理过程。
这项工作突破了传统多模态模型仅在语言中推理的限制，直接用代码实现视觉算法，使模型能够执行复杂的视觉推理任务。通过让模型自我反思和无监督进化，显著提升了性能和技能的迁移能力，推动了视觉推理与代码执行的深度融合。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
跨模态地点识别旨在跨异构感知模态（如视觉与LiDAR）识别同一地点。GeoUniPR通过将LiDAR点云投影至相机视角构建几何一致的深度图像视图，实现RGB与LiDAR的直接对应，融合强度及表面法线等原生LiDAR特征，提升结构一致性。利用两个结构相同的ViT编码器，在无辅助对齐模块、多阶段训练及完全微调的情况下，通过参数高效适配学习统一嵌入空间。引入空间一致性InfoNCE对比损失抑制空间连续性导致的假负例。KITTI及KITTI-360测试表明，GeoUniPR在同模态及跨模态地点识别中达到最新性能，并具备良好跨数据集泛化能力。
本文提出了SAPO，一种分段自动提示优化方法。它将提示分解为角色、上下文、任务和输出格式四个模块，通过针对性地优化这些模块，改善提示性能。对GPT-3.5-Turbo和GPT-4o-mini在多个数据集上的评测显示，SAPO优于多种零样本和强基线方法。
当前流程流图（PFD）的创建及其转化为管道仪表图（P&ID）主要是手工完成。本文提出了P&ID Pilot，一个端到端的AI流程，第一阶段合成PFD，第二阶段将PFD转为P&ID。结合遗传算法与大语言模型的方法生成了最优有效的PFD，满足流量参数且无违规。基于LLM的代理成功将PFD转化为可执行且合规的P&ID，实现100%执行成功。该统一流程显著减少人工工作，实现流程设计自动化。