arXiv new; pure-visual reasoning/RL · P2 · 2026-07-16

UniVR：它和通用视觉自监督的关系在于：从纯视觉 demonstrations 学复杂推理、物理动态和长期规划，不依赖 image-text pairs

中高相关；详见方法、贡献和实验边界。

UniVR: Thinking in Visual Space for Unified Visual Reasoning　arXiv new; pure-visual reasoning/RL　原文链接

编号2607.12800 优先级P2 类别arXiv new; pure-visual reasoning/RL 会议arXiv new; pure-visual reasoning/RL 方法从纯视觉 demonstrations 学复杂推理、物理动态和长期规划，不依赖 image-text pairs 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：从纯视觉 demonstrations 学复杂推理、物理动态和长期规划，不依赖 image-text pairs。中高相关；详见方法、贡献和实验边界。

**Figureure 2 · Overview of UniVR architecture**Figure 2 Overview of UniVR architecture. Via a unified next-token prediction objective, UniVR processes instructions and image queries to directly generate visual reasoning traces for task execution.这张图概括 UniVR 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 4 · Overview of VR-X benchmark.**Figure 4 Overview of VR-X benchmark.这张图概括 UniVR 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

核心问题

它和通用视觉自监督的关系在于：从纯视觉 demonstrations 学复杂推理、物理动态和长期规划，不依赖 image-text pairs。

方法拆解

从纯视觉 demonstrations 学复杂推理、物理动态和长期规划，不依赖 image-text pairs

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。