大厂专区
BrainWAM：面向自动驾驶的语义先验与预测动力学的动作空间协调框架
机构 * Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所） ； Li Auto Inc.（理想汽车）
AI总结 该研究针对自动驾驶中语义与预测动力学的规划需求，提出BrainWAM框架，通过结构化动作空间协调及异步整流流推理，在NAVSIM数据集上实现最优性能，优于仅VLA或仅WAM方法。
VANE：通过未来视觉表示预测实现视觉-语言-动作模型的可靠测试时训练
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Li Auto Inc.（理想汽车）
AI总结 本文提出VANE框架，通过条件提示自适应、未来视觉后果学习及候选更新隔离评估的方法，提升VLA策略在闭环操纵中的可靠性，在SimplerEnv WidowX上将平均成功率提高3.2个百分点。
RISE-RL：基于评分规则的开放式强化学习选择性探索
机构 * Li Auto Inc.（理想汽车）
AI总结 该研究针对开放式任务中LLM的强化学习探索难题，提出RISE-RL方法，通过奖励过滤与策略支持塑造实现选择性内化，在多领域基准评测中显著优于现有方法。
MotionStrata：用于紧凑视频自编码的分层运动隐变量
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Li Auto ； Zhejiang Lab（浙江实验室） ； State Key Lab of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室）
AI总结 MotionStrata将运动预算分为全局与详细运动，在不增维度下实现分层表示，压缩时重建质量优于其他方法，为紧凑视频自编码提供新设计原则。
MobileWAM：用前瞻链将世界动作模型（WAM）与移动操作任务对接
机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR）） ； Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； AIR Wuxi Innovation Center, Tsinghua University（清华大学AIR无锡创新中心） ； The University of Adelaide（阿德莱德大学） ； Wuhan University（武汉大学） ； Southeast University（东南大学） ； Beijing Jiaotong University（北京交通大学） ； Fudan University（复旦大学） ； Li Auto（理想汽车） ； School of Information, Renmin University of China（中国人民大学信息学院）
AI总结 MobileWAM是一种混合Transformer架构，通过前瞻链（CoF）解决移动操作的异质动态问题，在ManiSkill-HAB上超越SOTA策略，可微调至真实移动操作机器人且泛化性强。
VLAFlow：通过协同训练和未来潜在对齐的视觉-语言-动作模型统一训练框架
机构 * Li Auto Inc.（理想汽车） ； School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出VLAFlow统一框架，比较四种训练范式，发现语言监督保持视觉-语言泛化，未来潜在对齐改进状态转换建模，两者结合实现最佳迁移性能。
突破探索瓶颈：面向通用大语言模型推理的Rubric引导强化学习
机构 * Zhejiang University（浙江大学） ； Li Auto Inc.（力汽车公司） ； Nanyang Technological University（南洋理工大学） ； The Chinese University of Hong Kong（香港中文大学） ； Hangzhou City University（杭州市大学）
AI总结 本文提出Rubric-Scaffolded Reinforcement Learning，通过引入检查表式评分标准作为探索和利用的指导框架，突破通用大语言模型推理的探索瓶颈，提升推理能力。
用奖励模型增强大语言模型推理能力：一项分析性综述
机构 * Department of Data Science and Hong Kong Institute of AI for Science, City University of Hong Kong（数据科学系和香港人工智能科学研究所，香港城市大学） ； Li Auto Inc., China（中国利汽车公司） ； Department of Statistics, University of Oxford（统计系，牛津大学）
AI总结 该综述系统介绍奖励模型（RMs）的概念、训练与评估方法，梳理其在大语言模型（LLMs）推理中的三类核心应用，并探讨RMs相关开放问题，为其有效部署提供见解。
Comments Accepted for publication in Artificial Intelligence Review
MOJITO：用于统一端到端自动驾驶的模态联合学习
机构 * University of Science and Technology of China（中国科学技术大学） ； Li Auto（理想汽车） ； University of New South Wales（新南威尔士大学）
AI总结 研究针对端到端自动驾驶系统问题，提出基于模态联合学习的MOJITO框架，去除级联接口，执行逐块模态联合注意力更新多模态特征，在数据集上取得新的最优成绩，展现出强大能力。
SalesLoop：基于绩效反馈的强化学习用于销售线索排名
机构 * Li Auto Inc.（理想汽车公司）
AI总结 研究针对CRM系统中线索排名模型离线精度高但生产中表现不佳的问题，提出SalesLoop强化学习框架，通过引入性能感知奖励和判别式GRPO，有效提升了排名指标，经生产测试验证有显著效果。
LaCache：用于扩散大语言模型的精确缓存和精度自适应推理
机构 * Li Auto Inc.（理想汽车公司）
AI总结 研究针对扩散大语言模型算子级冗余问题，提出LaCache加速框架，通过无损缓存中间结果及集成FP8量化策略，无需训练，单独使用可实现约1.3倍端到端加速，与现有方法结合可达40.2倍加速且保持任务精度。
马赫思维-4-闪技术报告
机构 * Li Auto Inc（理想汽车公司）
AI总结 马赫思维-4-闪是含3B激活参数的35B参数专家混合智能体模型，通过训练后优化及可扩展交互环境提升性能。其流程含三个阶段，在多个基准测试中成绩优异，以低推理成本领先或匹配数倍激活规模模型。
MetricAnything：利用噪声异构源扩展度量深度预训练
机构 * Li Auto Inc（李自动公司）
AI总结 研究针对度量深度估计扩展难题，提出MetricAnything框架，通过随机掩码创建稀疏度量提示解耦空间推理与偏差，用多样3D数据预训练，在多任务中表现出色，推动度量感知发展。
Comments Accepted to ECCV 2026. Project Page: https://metric-anything.github.io/metric-anything-io/
Holo-World: 视频世界模型的统一相机、物体和天气控制
机构 * University of Science and Technology of China（中国科学技术大学） ； Li Auto ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合国家科学中心人工智能研究院）
AI总结 提出Holo-World，一种从单张图像联合控制相机、物体运动和天气的统一视频世界模型，通过场景适配器和解耦CFG实现世界保持与天气迁移。
Comments Project Page: https://xiangchenyin.github.io/Holo-World Code: https://github.com/XiangchenYin/Holo-World
MS-Resampler: 用于高效多模态大语言模型的多范围视觉重采样
机构 * Li Auto Inc.（理想汽车） ； East China Normal University（华东师范大学）
AI总结 提出MS-Resampler，通过多范围视觉重采样框架，注入显式空间范围先验，使模型在固定令牌预算内同时捕获局部细节和全局上下文，提升多模态理解与推理。
ARKD: 自适应强化学习引导的双向KL散度蒸馏用于文本生成
机构 * Li Auto, Beijing, China（北京利亚自动化有限公司） ； School of Software and Microelectronics, Peking University, China（北京大学软件与微电子学院）
AI总结 针对单一KL目标难以平衡主分布拟合与长尾概率建模的问题，提出基于强化学习的自适应KL加权蒸馏框架，通过策略网络动态分配前向和反向KL散度权重，实现主模态和长尾模态的双重对齐，在Rouge-L和BertScore上持续提升。
EXPLORE-Bench：具有长视距推理的自我中心场景预测
机构 * University of Science and Technology of China（中国科学技术大学） ； Foundation Model Team, Li Auto Inc.（蔚来汽车基础模型团队） ； Tsinghua University（清华大学）
AI总结 提出EXPLORE-Bench基准，通过初始场景图像和动作序列预测最终场景，评估多模态大模型在自我中心长视距推理中的能力，发现与人类存在显著差距。
学习标注延迟和误报AEB事件：针对极端类别不平衡和非对称标签噪声的实用系统
机构 * Li Auto
AI总结 提出首个自动化AEB标注框架，通过特定数据增强和噪声抑制技术，解决极端类别不平衡和非对称标签噪声问题，将延迟/误报触发召回率提升80%，人工工作量减少50%。
Comments 8 pages, 5 figures, accepted by IEEE International Conference on Robotics and Automation (ICRA)
Journal ref 2026 IEEE International Conference on Robotics and Automation (ICRA)
基于大规模无标签数据的可扩展学习型自动紧急制动
机构 * Li Auto
AI总结 提出稳定元反馈半监督学习框架，通过噪声感知解耦和运动学门控伪标签，利用大规模无标签数据提升自动紧急制动性能，实现超100:1正误触发比和35%无事故里程提升。
Comments Accepted for presentation at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
自适应且显式安全：触发大型推理模型中的潜在安全意识
机构 * The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全全国重点实验室） ； Hangzhou HighTech Zone (Binjiang) Blockchain and Data Security Research Institute, China（杭州高新区（滨江）区块链与数据安全研究院） ； Li Auto Inc.（理想汽车） ； Tsinghua University（清华大学） ； King Abdullah University Of Science And Technology（阿卜杜拉国王科技大学）
AI总结 针对大型推理模型易受越狱攻击的问题，提出Safe Trigger方法，通过SFT显式诱导安全标签触发安全分析，并用DPO优化，显著降低攻击成功率而不影响通用性能。
Metis: 一种用于自动驾驶和城市导航的通用高效世界-动作模型
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； The University of Hong Kong（香港大学） ； Tongji University（同济大学） ； Li Auto Inc.（理想汽车） ； Huazhong University of Science and Technology（华中科技大学） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学）
AI总结 提出Metis框架，通过解耦视频生成与动作预测，采用混合专家架构和不对称注意力掩码，实现高效推理与泛化，在多个导航基准上取得最优性能。
LiAuto-GeoX: 高效接地驾驶Transformer
机构 * Nanjing University of Science and Technology（南京理工大学） ； Li Auto Inc.（Li Auto公司） ； Northwestern Polytechnical University（西北工业大学） ； Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算学院）
AI总结 提出LiAuto-GeoX，通过稀疏激光雷达先验和几何保持蒸馏框架，实现高效、实时的自车中心密集3D重建，并显著提升下游自动驾驶任务性能。
重新思考基于LLM的分层偏好排名的销售线索评分
机构 * Intelligent Business Team, Li Auto Inc.（李自动公司智能商务团队）
AI总结 针对高价值领域销售线索转化问题，提出基于LLM的判别式框架HPRO，通过分层偏好排名优化联合建模结构化与非结构化数据，实现评分与排名性能提升。
超越理想指令：现实交互中评估大语言模型的综合框架
机构 * Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； Hong Kong Institute of AI for Science, City University of Hong Kong（香港城市大学人工智能科学研究院） ； Li Auto Inc.（Li汽车公司） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Independent Researcher（独立研究员）
AI总结 提出RUT-Bench基准，通过高保真模拟理想与非理想用户行为，评估大语言模型在现实工具调用场景中的表现，发现所有测试模型成功率低于40%且面对复杂非理想输入时性能显著下降。
HMPO: 用于思维链压缩的混合中位数长度策略优化
机构 * Li Auto Inc.（Li Auto公司）
AI总结 提出HMPO，一种单阶段强化学习框架，通过自适应中位数预算、余弦衰减令牌奖励和乘法奖励公式，在数学数据上训练后实现19%-46%的令牌压缩且精度损失极小，并泛化至多种任务。
超越轨迹奖励：通过图建模实现智能搜索的步骤级信用分配
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Li Auto Inc.（李自动公司）
AI总结 针对智能搜索中轨迹级奖励无法量化单步行为贡献的问题，提出基于图距离贡献奖励（GDCR）的步骤级过程奖励，并结合步骤优势策略优化（SAPO）在四个基准上验证有效性。
Comments 15 pages, 8 figures
Dense2MoE：通过统一剪枝和升级推动设备端LLM的帕累托前沿
机构 * Li Auto ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出Dense2MoE框架，通过层融合升级（LF-UC）统一剪枝和升级，将密集LLM高效转换为设备端MoE模型，在推理延迟与准确性之间取得更优帕累托前沿。
Comments 19 pages
AnyScene: 迈向高度可控的任意位置驾驶场景生成及超越
机构 * Li Auto（利汽车） ； Southwest Jiaotong University（西南交通大学） ； Tsinghua University（清华大学）
AI总结 提出AnyScene框架，通过时空占用扩散Transformer和几何引导视图扩展模块，实现从BEV布局生成语义占用序列和参考无关的多视角驾驶视频，支持精确可控和长时生成。
Comments Work in progress. Project page: https://mind-omni.github.io/
双路径几何感知多模态大语言模型用于空间智能
机构 * University of Science and Technology of China（中国科学技术大学） ； Li Auto Inc.（利汽车公司） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 提出GAMSI，一种仅以RGB图像为输入、通过双路径查询和专家引导视觉对齐实现3D结构与度量尺度联合感知的多模态大语言模型，在七个空间智能基准上达到最优性能。
Lngram: 潜在空间中的N-gram条件记忆
机构 * Beijing University of Posts and Telecommunications (BUPT)（北京邮电大学） ； Li Auto Inc.（Li Auto公司）
AI总结 提出Lngram，一种在潜在空间中学习离散符号并执行N-gram查找的条件记忆模块，以解耦检索与骨干网络，提升长上下文语言建模和跨模态任务性能。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈