Fei-Fei Li

SimFoundry: Modular and Automated Scene Generation for Policy Learning and Evaluation

SimFoundry: 用于策略学习和评估的模块化自动化场景生成

Nadun Ranawaka, Josiah Wong, Wei-Lin Pai, Wei-Teng Chu, Tianyuan Dai, Masoud Moghani, Hang Yin, Yunfan Jiang, Wesley Durbano, Brandon Huynh, Yu Fang, Danfei Xu, Ruohan Zhang, Li Fei-Fei, Linxi Fan, Bowen Wen, Ajay Mandlekar, Yuke Zhu

机构 * NVIDIA ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Toronto（多伦多大学） 纠错

AI总结 提出SimFoundry系统，从视频零样本构建仿真场景，支持对象、场景和任务编辑，生成数字孪生与数字表亲，提升策略在真实世界的泛化能力，实验显示仿真评估与真实性能高度相关。

Antichiral hinge states in a higher-order photonic nodal ring semimetal

高阶光子节环半金属中的反手性铰链态

Yuchen Peng, Deep Mondal, Yuting Yang, Wanting Wu, Bo Zhao, Shuaiyang Wei, Zhenzhi Liu, Wenrong Qi, Xiaokang Dai, Minqi Cheng, Weili Li, Xinyi Zhang, Fei-Fei Li, Rimi Banerjee, Minggui Wei, Jingyi Tian, Peiheng Zhou, Subhaskar Mandal, Baile Zhang, Gui-Geng Liu

AI总结 研究在三维旋磁光子晶体高阶节环半金属中观察反演手性铰链态，通过近场扫描测量发现其单向传播及鲁棒传输特性，空间位置可重构，还观察到相关表面态，扩展了反演手性态并有望用于光子路由。

Masked Visual Actions for Unified World Modeling

用于统一世界建模的掩码视觉动作

Hadi Alzayer, Wenlong Huang, Haonan Chen, Christopher Luey, Lvmin Zhang, Maneesh Agrawala, Gordon Wetzstein, Li Fei-Fei, Yilun Du, Jiajun Wu, Jia-Bin Huang

机构 * Stanford University（斯坦福大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； Harvard University（哈佛大学） 纠错

AI总结 研究如何将动作传达给视频模型用于机器人世界建模，提出掩码视觉动作这一像素空间控制接口，经微调后单个检查点在多场景和实施例中表现出色，在下游操作中能辅助策略评估、改进决策和支持逆建模。

Comments Project webpage: https://masked-visual-actions.github.io

RoboTTT: Context Scaling for Robot Policies

RoboTTT：机器人策略的上下文扩展

Yunfan Jiang, Yevgen Chebotar, Ruijie Zheng, Fengyuan Hu, Yunhao Ge, Jimmy Wu, Tianyuan Dai, Scott Reed, Li Fei-Fei, Yuke Zhu, Linxi "Jim" Fan

机构 * NVIDIA（英伟达公司） ； Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究提出RoboTTT，将测试时训练集成到机器人基础模型，通过序列动作强制和截断反向传播扩展视觉运动上下文到8K时间步长，解锁新能力，提升多任务性能，证明上下文长度是机器人基础模型新扩展轴。

Comments Project website: http://research.nvidia.com/labs/gear/robottt/

Planning with the Views

通过场景自我探索进行视图规划

Kangrui Wang, Linjie Li, Zhengyuan Yang, Shiqi Chen, Zihan Wang, Li Fei-Fei, Jiajun Wu, Leonidas Guibas, Lijuan Wang, Manling Li

机构 * Northwestern University（西北大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） 纠错

AI总结 提出ViewSuite基准测试揭示VLM在多步视图规划中的不足，并设计迭代框架通过自我探索和视图图蒸馏将Qwen2.5-VL-7B的交互式视图规划准确率从2.5%提升至47.8%。

CaP-X: A Framework for Benchmarking and Improving Coding Agents for Robot Manipulation

CaP-X: 用于基准测试和改进机器人操作编码智能体的框架

Letian Fu, Justin Yu, Karim El-Refai, Ethan Kou, Haoru Xue, Huang Huang, Wenli Xiao, Guanzhi Wang, Dantong Niu, Fei-Fei Li, Guanya Shi, Jiajun Wu, Shankar Sastry, Yuke Zhu, Ken Goldberg, Linxi "Jim" Fan

机构 * nvidia ； stanford（斯坦福大学） ； cmu（卡内基梅隆大学） 纠错

AI总结 提出CaP-X框架，通过CaP-Gym交互环境和CaP-Bench评估，发现编码智能体依赖人工抽象，但通过扩展测试时计算可提升鲁棒性，并推出无需训练的CaP-Agent0和强化学习CaP-RL。

T-Rex: Tactile-Reactive Dexterous Manipulation

T-Rex: 触觉反应灵巧操作

Dantong Niu, Zhuoyang Liu, Zekai Wang, Boning Shao, Zhao-Heng Yin, Anirudh Pai, Yuvan Sharma, Stefano Saravalle, Ruijie Zheng, Jing Wang, Ryan Punamiya, Mengda Xu, Yuqi Xie, Yunfan Jiang, Letian Fu, Konstantinos Kallidromitis, Matteo Gioia, Junyi Zhang, Jiaxin Ge, Haiwen Feng, Fabio Galasso, Wei Zhan, David M. Chan, Yutong Bai, Roei Herzig, Jiahui Lei, Li Fei-Fei, Ken Goldberg, Jitendra Malik, Pieter Abbeel, Yuke Zhu, Danfei Xu, Linxi Fan, Trevor Darrell

机构 * UC Berkeley（加州大学伯克利分校） ； NVIDIA（英伟达） ； Stanford（斯坦福大学） ； Panasonic（松下） ； La Sapienza University（罗马大学） ； ItalAI 纠错

AI总结 提出大规模触觉数据集和可变速率混合Transformer架构，在12项精细操作任务上平均成功率提升超30%。

Comments Project page: https://tactile-rex.github.io/

Why Automate This? Exploring Correlations Between Desire for Robotic Automation, Invested Time and Well-Being

为什么自动化这个？探索机器人自动化愿望、投入时间与幸福感之间的相关性

Ruchira Ray, Leona Pang, Sanjana Srivastava, Li Fei-Fei, Samantha Shorey, Roberto Martín-Martín

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Stanford University（斯坦福大学） ； University of Pittsburgh（匹兹堡大学） 纠错

AI总结 本研究利用BEHAVIOR-1K等数据集，发现活动时间并非自动化偏好的强预测因子，而幸福感和痛苦感是最强指标，并揭示了性别和收入水平的差异。

Comments 26 pages, 14 figures

StereoPolicy: Improving Robotic Manipulation Policies via Stereo Perception

StereoPolicy：通过立体视觉改进机器人操作策略

Evans Han, Yunfan Jiang, Yingke Wang, Haoyue Xiao, Huang Huang, Jianwen Xie, Jiajun Wu, Li Fei-Fei, Ruohan Zhang

机构 * Stanford University（斯坦福大学） ； Northwestern University（西北大学） ； Lambda, Inc（Lambda公司） 纠错

AI总结 该研究提出StereoPolicy，一种利用立体视觉提升机器人操作策略的框架，通过同步立体图像对增强几何推理，无需构建显式3D表示，在多个仿真和真实机器人任务中优于RGB、RGB-D、点云等基线方法。

GPIC: A Giant Permissive Image Corpus for Visual Generation

GPIC：用于视觉生成的大型许可图像数据集

Keshigeyan Chandrasegaran, Kyle Sargent, Suchir Agarwal, Michael Jang, Michael Poli, Juan Carlos Niebles, Justin Johnson, Jiajun Wu, Li Fei-Fei

机构 * Stanford University（斯坦福大学） ； Radical Numerics ； University of Michigan（密歇根大学） ； Salesforce Research（Salesforce研究） 纠错

AI总结 提出GPIC，一个约28万亿像素的大型许可图像数据集，包含1亿训练样本，通过最先进的视觉语言模型标注，用于视觉生成建模研究。

Comments 25 pages; Dataset: https://huggingface.co/datasets/stanford-vision-lab/giant-permissive-image-corpus; Project website: https://gpic.stanford.edu

Representations of shifted twisted quantum affine algebras

平移扭曲量子仿射代数的表示

Fei-Fei Li, Jian-Rong Li, Yan-Feng Luo

AI总结 本文引入并研究平移扭曲量子仿射代数，通过平移Cartan-Drinfeld流给出其三角分解和分类，证明有理性和融合积，并分类有限维单模。

ESI-Bench: Towards Embodied Spatial Intelligence that Closes the Perception-Action Loop

ESI-Bench: 迈向闭环感知-动作的具身空间智能

Yining Hong, Jiageng Liu, Han Yin, Manling Li, Leonidas Guibas, Li Fei-Fei, Jiajun Wu, Yejin Choi

机构 * Stanford University（斯坦福大学） ； UCLA（加州大学洛杉矶分校） ； Northwestern University（西北大学） 纠错

AI总结 提出ESI-BENCH基准，通过主动探索（感知、移动、操作）在OmniGibson环境中评估具身空间智能，发现主动探索显著优于被动方法，失败主因是动作盲视而非感知弱，且模型存在元认知差距。

Comments https://esi-bench.github.io/

Learning from Trials and Errors: Reflective Test-Time Planning for Embodied LLMs

从试错中学习：具身大语言模型的反思式测试时规划

Yining Hong, Huang Huang, Manling Li, Li Fei-Fei, Leonidas Guibas, Jiajun Wu, Yejin Choi

机构 * Stanford University（斯坦福大学） ； Northwestern University（西北大学） 纠错

AI总结 提出反思式测试时规划方法，通过行动中反思和行动后反思两种模式，结合回溯性反思，使具身智能体在测试时进行自我纠正和经验积累，显著提升长程任务性能。

HumanScore: Benchmarking Human Motions in Generated Videos

HumanScore：在生成视频中评估人类动作的基准测试

Yusu Fang, Tiange Xiang, Tian Tan, Narayan Schuetz, Scott Delp, Li Fei-Fei, Ehsan Adeli

机构 * Stanford University（斯坦福大学） ； Peking University（北京大学） 纠错

AI总结 本文提出HumanScore框架，通过六个可解释指标评估AI生成视频中人类动作的质量，揭示感知合理性与生物力学真实性的差距，并产生可靠的模型排名。

RAGEN-2: Reasoning Collapse in Agentic RL

RAGEN-2：代理强化学习中的推理崩溃

Zihan Wang, Chi Gui, Xing Jin, Qineng Wang, Licheng Liu, Kangrui Wang, Shiqi Chen, Linjie Li, Zhengyuan Yang, Pingyue Zhang, Yiping Lu, Jiajun Wu, Li Fei-Fei, Lijuan Wang, Yejin Choi, Manling Li

机构 * Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Independent（独立研究者） ； Imperial College London（伦敦帝国学院） ； Oxford University（牛津大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； Stanford University（斯坦福大学） 纠错

AI总结 研究发现代理强化学习中推理稳定性受模板崩溃影响，通过引入互信息代理提升推理质量与任务表现。

MIRAGE: The Illusion of Visual Understanding

MIRAGE：视觉理解的幻觉

Mohammad Asadi, Jack W. O'Sullivan, Fang Cao, Tahoura Nedaee, Kamyar Rajabalifardi, Fei-Fei Li, Ehsan Adeli, Euan Ashley

机构 * Stanford University（斯坦福大学） 纠错

AI总结 研究揭示多模态AI系统在视觉-语言推理中的漏洞，指出模型能生成未提供图像的详细描述及推理，挑战现有假设，提出B-Clean作为公平评估方案。

IMPASTO: Integrating Model-Based Planning with Learned Dynamics Models for Robotic Oil Painting Reproduction

IMPASTO：整合基于模型的规划与学习的动力学模型用于机器人油画复现

Yingke Wang, Hao Li, Yifeng Zhu, Hong-Xing Yu, Ken Goldberg, Li Fei-Fei, Jiajun Wu, Yunzhu Li, Ruohan Zhang

机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学） 纠错

AI总结 IMPASTO通过整合学习的动力学模型与基于模型的规划，实现机器人基于目标油画图像的复现，无需人类示范或精确模拟，提升复现精度。

MindCube: Spatial Mental Modeling from Limited Views

MindCube：从有限视角构建空间心理模型

Qineng Wang, Baiqiao Yin, Pingyue Zhang, Jianshu Zhang, Kangrui Wang, Zihan Wang, Jieyu Zhang, Keshigeyan Chandrasegaran, Han Liu, Ranjay Krishna, Saining Xie, Jiajun Wu, Li Fei-Fei, Manling Li

机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文通过MindCube基准测试，探讨视觉语言模型能否从有限视角构建空间心理模型，提出'map-then-reason'方法提升模型性能，实现从37.8%到61.3%的准确率提升。

Comments The latest version includes an expanded discussion of scaffolding, along with updated data statistics and experimental results

Rapid Adaptation of Particle Dynamics for Generalized Deformable Object Mobile Manipulation

粒子动力学快速适应用于广义变形物体移动操作

Bohan Wu, Roberto Martín-Martín, Li Fei-Fei

机构 * Stanford University（斯坦福大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出RAPiD方法，通过学习视觉-运动策略和动态嵌入推理，实现变形物体移动操作的高成功率。

Comments 8 pages, ICRA 2026

MoMaGen: Generating Demonstrations under Soft and Hard Constraints for Multi-Step Bimanual Mobile Manipulation

MoMaGen: 为多步双臂移动操作生成演示数据以满足软约束和硬约束

Chengshu Li, Mengdi Xu, Arpit Bahety, Hang Yin, Yunfan Jiang, Huang Huang, Josiah Wong, Sujay Garlanka, Cem Gokmen, Ruohan Zhang, Weiyu Liu, Jiajun Wu, Roberto Martín-Martín, Li Fei-Fei

机构 * Stanford University（斯坦福大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Amazon（亚马逊公司） 纠错

AI总结 MoMaGen通过解决双臂移动操作中的可达性和可见性问题，生成多样化数据集以提升模仿学习策略的训练效果。

Comments Project website: momagen.github.io. The first four authors contribute equally. Accpeted to International Conference on Learning Representations (ICLR 2026)

Latent Forcing: Reordering the Diffusion Trajectory for Pixel-Space Image Generation

潜在强制：重新排列扩散轨迹以生成像素空间图像

Alan Baade, Eric Ryan Chan, Kyle Sargent, Changan Chen, Justin Johnson, Ehsan Adeli, Li Fei-Fei

机构 * stanford（斯坦福大学） ； umich（密歇根大学） 纠错

AI总结 本文提出潜在强制方法，通过重新排列扩散轨迹提升像素空间图像生成效率，实现端到端建模优势，取得ImageNet上的新突破。

Comments 8 pages, 6 figures

Theory of Space: Can Foundation Models Construct Spatial Beliefs through Active Exploration?

空间理论：基础模型能否通过主动探索构建空间信念？

Pingyue Zhang, Zihan Huang, Yue Wang, Jieyu Zhang, Letian Xue, Zihan Wang, Qineng Wang, Keshigeyan Chandrasegaran, Ruohan Zhang, Yejin Choi, Ranjay Krishna, Jiajun Wu, Li Fei-Fei, Manling Li

机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出空间理论，探讨基础模型通过主动探索构建空间信念的挑战，发现主动-被动差距、探索低效和信念惯性等问题。

Comments published at iclr 2026

Mineral Detection of Cosmic-Ray Boosted Dark Matter

宇宙射线增强暗物质的矿物检测

Jin-Wei Wang, Fei-Fei Li

AI总结 利用古探测器探测宇宙射线增强暗物质，通过提高暗物质-质子散射截面的灵敏度实现对亚GeV暗物质的高效探测。

Comments 7 pages, 3 figures; Updated to match the submitted version and fixed some typos

VideoWeave: A Data-Centric Approach for Efficient Video Understanding

VideoWeave：一种以数据为中心的高效视频理解方法

Zane Durante, Silky Singh, Arpandeep Khatua, Shobhit Agarwal, Reuben Tan, Yong Jae Lee, Jianfeng Gao, Ehsan Adeli, Li Fei-Fei

机构 * Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 VideoWeave通过重新组织训练数据提升视频语言模型的数据效率，无需修改模型架构，实现更高准确率。

PointWorld: Scaling 3D World Models for In-The-Wild Robotic Manipulation

PointWorld: 为真实世界机器人操作扩展3D世界模型

Wenlong Huang, Yu-Wei Chao, Arsalan Mousavian, Ming-Yu Liu, Dieter Fox, Kaichun Mo, Li Fei-Fei

机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达） 纠错

AI总结 PointWorld通过统一状态和动作的3D点流模型，实现了在真实世界中机器人操作的高效预测与控制，无需额外演示或训练。

Dream2Flow: Bridging Video Generation and Open-World Manipulation with 3D Object Flow

Dream2Flow: 通过3D物体流连接视频生成与开放世界操控

Karthik Dharmarajan, Wenlong Huang, Jiajun Wu, Li Fei-Fei, Ruohan Zhang

AI总结 Dream2Flow通过3D物体流连接视频生成与开放世界操控，实现零样本操控不同类别的物体。

Comments Project website: https://dream2flow.github.io/

QuantiPhy: A Quantitative Benchmark Evaluating Physical Reasoning Abilities of Vision-Language Models

QuantiPhy：一种评估视觉-语言模型物理推理能力的定量基准

Li Puyin, Tiange Xiang, Ella Mao, Shirley Wei, Xinye Chen, Adnan Masood, Li Fei-fei, Ehsan Adeli

机构 * Stanford University（斯坦福大学） 纠错

AI总结 QuantiPhy通过定量评估视觉-语言模型的物理推理能力，揭示其在运动学属性推断中的数值准确性与定性合理性之间的差距。

Discovering Latent Graphs with GFlowNets for Diverse Conditional Image Generation

利用GFlowNets发现潜在图以实现多样化的条件图像生成

Bailey Trang, Parham Saremi, Alan Q. Wang, Fangrui Huang, Zahra TehraniNasab, Amar Kumar, Tal Arbel, Li Fei-Fei, Ehsan Adeli

机构 * Dept. of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Dept. of Psychiatry and Behavioral Sciences, Stanford University（精神病学与行为科学系，斯坦福大学） ； Dept. of Biomedical Data Science, Stanford University（生物医学数据科学系，斯坦福大学） ； Center for Intelligent Machines, McGill University（智能机器中心，麦吉尔大学） ； MILA - Quebec AI institute（魁北克人工智能研究所） 纠错

AI总结 Rainbow通过分解输入条件为多样化的潜在表示，利用GFlowNets生成多样化图像，提升条件图像生成的多样性和保真度。

Journal ref The 39th Annual Conference on Neural Information Processing Systems 2025

VLIC: Vision-Language Models As Perceptual Judges for Human-Aligned Image Compression

VLIC: 基于视觉-语言模型的人类对齐图像压缩感知判官

Kyle Sargent, Ruiqi Gao, Philipp Henzler, Charles Herrmann, Aleksander Holynski, Li Fei-Fei, Jiajun Wu, Jason Zhang

机构 * Stanford University（斯坦福大学） ； Google Research（谷歌研究） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 VLIC利用视觉-语言模型进行图像压缩，通过零样本推理实现人类感知对齐，提升压缩性能。

Comments 14 pages, 8 figures

Flow to the Mode: Mode-Seeking Diffusion Autoencoders for State-of-the-Art Image Tokenization

流到模式：用于最新图像标记化的模式寻求扩散自编码器

Kyle Sargent, Kyle Hsu, Justin Johnson, Li Fei-Fei, Jiajun Wu

机构 * Stanford University（斯坦福大学） ； University of Michigan（密歇根大学） 纠错

AI总结 FlowMo是一种基于Transformer的扩散自编码器，通过模式匹配和模式寻求阶段实现图像标记化的新SOTA，无需卷积、对抗损失等。

Comments ICCV 2025, 19 pages