大厂专区
ScrollScape: 通过视频扩散先验解锁32K图像生成
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Li Auto, Beijing, China（理想汽车（中国北京））
AI总结 ScrollScape通过将超大比例图像生成转化为连续视频生成过程，利用视频模型的时序一致性确保结构完整性，实现32K分辨率的高质量图像生成。
DriveVGGT: 用于多摄像头自动驾驶的校准约束视觉几何变换
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身智能研究所） ； Li Auto Inc.（理想汽车）
AI总结 DriveVGGT通过引入时间视频注意模块、多摄像头一致性注意模块和分解的解码过程，整合稀疏空间重叠、校准几何约束和刚性外参恒定等先验知识，提升自动驾驶场景下的重建效率和精度。
Uni-World VLA：自主驾驶中的交织世界建模与规划
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Li Auto Inc.（理想汽车） ； University of Surrey（萨里大学）
AI总结 本文提出Uni-World VLA模型，通过交织未来帧预测与轨迹规划提升自主驾驶决策能力，结合单目深度信息增强场景预测。
Comments 22 pages, 8 figures. Submitted to ECCV 2026. Code will be released
流式Claw技术报告
机构 * Li Auto Inc.（理想汽车）
AI总结 本文提出StreamingClaw框架，解决流式视频理解与具身智能中的实时推理、多模态记忆和闭环控制问题，提升复杂环境下的自主决策能力。
Comments Under Progress
FAAR：面向NVFP4的格式感知自适应取整
机构 * Li Auto Inc.（李自动公司）
AI总结 本文提出FAAR方法，通过整合NVFP4非均匀数域特性，改进低精度量化策略，降低取整误差，提升模型性能，实验表明在WikiText-2和Qwen3-1.7B上 perplexity 显著降低。
QMoP：基于查询的混合投影器用于高效的视觉令牌压缩
机构 * East China Normal University（华东师范大学） ； Li Auto Inc（Li汽车公司）
AI总结 本文提出QMoP框架，通过三种协作分支实现视觉令牌的自适应压缩，结合查询引导路由和专家融合机制，提升效率并减少资源消耗。
FastMMoE：通过动态专家激活和路由感知的标记剪枝加速多模态大语言模型
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Li Auto（利亚自动化）
AI总结 本文提出FastMMoE，一种无需训练的加速框架，通过动态专家激活和路由感知标记剪枝，显著降低计算量并保持性能，优于现有基线方法。
StreetForward：基于前馈因果注意力的动态街道感知
机构 * Li Auto Inc.（Li汽车公司） ； Zhejiang University（浙江大学）
AI总结 本文提出StreetForward框架，通过交替注意力机制和时间掩码注意力模块，实现动态街道的前馈重建，统一表示静态内容和动态实例，并在Waymo数据集上验证了其在视图合成和深度估计上的优越性。
PhysGM：用于前馈4D合成的大型物理高斯模型
机构 * Beijing Institute of Technology（北京理工大学） ； Li Auto（利汽车） ； Harbin Institute of Technology（哈尔滨工业大学） ； Sichuan University（四川大学） ； Suzhou Research Institute, Harbin Institute of Technology（哈尔滨工业大学苏州研究院）
AI总结 PhysGM通过单图像联合预测3D高斯表示和物理属性，实现高效4D渲染。该方法采用物理感知重建模型和直接偏好优化，提升模拟精度并降低计算成本。
Comments CVPR 2026
GeoDiff4D: 基于几何的扩散模型用于4D头像重建
机构 * Tsinghua University（清华大学） ； Li Auto（利亚自动）
AI总结 GeoDiff4D通过几何感知扩散模型，结合表面法线和表情编码器，实现了高保真的4D头像重建，提升了视觉质量和跨身份泛化能力。
Comments 17 pages
AD-R1: 闭环强化学习用于端到端自动驾驶的中立世界模型
机构 * SKL-IOTSC, University of Macau（SKL-IOTSC，澳门大学） ； Li Auto Inc. ； Sun Yat-sen University（中山大学） ； Huazhong University of Science and Technology（华中科技大学） ； Northwestern University（西北大学） ； National University of Singapore（新加坡国立大学）
AI总结 AD-R1通过引入中立世界模型和反事实合成技术，提升自动驾驶系统在危险预测和安全控制方面的性能。
通过协同多模态对齐和训练时融合实现图像与文本一体化：ITO
机构 * School of Computer Science（计算机科学学院） ； Huazhong University of Science and Technology（华中科技大学） ； Li Auto Inc.（力汽车公司） ； Institute of AI for Industries, Chinese Academy of Sciences（产业人工智能研究院，中国科学院）
AI总结 ITO通过协同多模态对齐与训练时融合机制，提升图像与文本表示的一致性，有效解决模态间结构化交互问题。
iGVLM：动态指令引导的视觉编码用于问题感知的多模态理解
机构 * School of Computer Science（计算机科学学院） ； Technology, Huazhong University of Science（科技，华中科技大学） ； Li Auto Inc.（Li汽车公司） ； Institute of AI for Industries, Chinese Academy of Sciences（产业人工智能研究所，中国科学院）
AI总结 iGVLM通过动态指令引导的视觉编码框架，提升多模态理解中对指令的敏感度，实现从通用感知到任务感知推理的平滑过渡。
FLARE: 从视觉-语言模型中学习未来感知的潜在表示以实现自动驾驶
机构 * Shanghai Jiaotong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； OpenDriveLab at The University of Hong Kong（香港大学OpenDrive实验室） ； Li Auto Inc.（Li汽车公司）
AI总结 FLARE通过自监督的未来特征预测目标，从大规模未标记数据中学习鲁棒驾驶表示，无需语言监督，提升自动驾驶性能。
多损失学习用于带有能量自适应混排和帧级注意力的语音情感识别
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Li Auto（利汽车）
AI总结 本文提出多损失学习框架，结合能量自适应混排和帧级注意力模块，以提升语音情感识别的性能和鲁棒性。
Comments Submitted for review to Interspeech 2026
链式世界：潜在运动中的世界模型思维
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Li Auto ； Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院） ； University of New South Wales（新南威尔士大学） ； Chongqing Research Institute of HIT（哈尔滨工业大学重庆研究院） ； Peking University（北京大学）
AI总结 CoWVLA通过统一世界模型的时间推理与解耦的潜在运动表示，提升视觉-运动学习效率。
Comments Accepted by CVPR2026. Project page: https://fx-hit.github.io/cowvla-io/
DriveCombo：自主驾驶中组合交通规则推理的基准测试
机构 * Autolab, Westlake University（西lake大学自动化实验室） ； Li Auto Inc（Li Auto公司） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学）
AI总结 DriveCombo提出了一种基于文本和视觉的基准，用于评估自动驾驶中复杂交通规则的推理能力，通过五级认知阶梯和Rule2Scene代理提升模型在多规则冲突场景下的性能。
统一语言-动作理解与生成以实现自动驾驶
机构 * 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） ； Li Auto
AI总结 LinkVLA通过统一语言和动作令牌及两步生成方法，提升自动驾驶中语言-动作一致性和效率
RE-PO：一种用于大语言模型对齐的鲁棒增强策略优化通用框架
机构 * IDSS, Massachusetts Institute of Technology（IDSS，麻省理工学院） ； EE, Tsinghua University（电子工程系，清华大学） ； Li Auto Inc.（力汽车公司） ； SIGS, Tsinghua University（系统工程系，清华大学）
AI总结 RE-PO是一种用于大语言模型对齐的鲁棒增强策略优化通用框架，通过期望最大化程序推断标签正确性并自适应加权数据点以减轻噪声，提升对齐效果。
MoSA: 通过结构-外观解耦生成运动一致的人体视频
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； School of Arts（艺术学院） ； Li Auto（力汽车） ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 MoSA通过结构-外观解耦生成运动一致的人体视频，引入Human-Aware Dynamic Control模块和接触约束，提升细粒度控制与人-环境交互建模，实现更逼真的人体视频生成。
Comments Accepted by ICLR 2026. Project: https://hywang2002.github.io/MoSA
学习记忆：为长上下文推理端到端训练记忆代理
机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences (ICT/CAS)（智能信息处理重点实验室，计算技术研究所，中国科学院） ； Key Laboratory of AI Safety, Chinese Academy of Sciences（人工智能安全重点实验室，中国科学院） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； Li Auto Inc.（利亚德公司）
AI总结 UMA通过端到端强化学习框架，整合记忆操作与问答，提升长上下文推理任务的性能。
通过战略性大语言模型的自我对战激励多智能体推理的MARSHAL
机构 * SIGS, Tsinghua University（清华大学信号与系统系） ； EE, Tsinghua University（清华大学电子工程系） ； Aalto University（阿alto大学） ； Li Auto Inc.（李汽车公司） ； Infinigence AI Project Page Code Models（Infinigence AI项目页面代码模型）
AI总结 MARSHAL通过战略性LLM的自我对战激励多智能体推理，实现多智能体系统的性能提升。
GeoGramBench: 评估现代大语言模型中的几何程序推理
机构 * Li Auto Inc.（利亚特公司）
AI总结 GeoGramBench通过评估现代大语言模型在几何程序推理中的能力，揭示了其在空间推理任务中的显著不足。
Comments Accepted to ICLR 2026
ROSA-Tuning: 通过后缀匹配增强长上下文建模
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 ROSA-Tuning通过结合CPU的ROSA检索模块与范围受限注意力，提升长上下文建模能力，实现高效处理。
MUSE：一种通过闭环认知协调的多智能体框架用于无约束故事构思
机构 * Li Auto（利奥自动化）
AI总结 MUSE通过闭环认知协调的多智能体框架，提升长篇叙事的连贯性与多模态一致性。
MTDrive: 多轮交互式强化学习用于自动驾驶
机构 * Li Auto Inc.（利汽车公司） ； NVIDIA（英伟达）
AI总结 MTDrive通过多轮交互式强化学习框架，结合多模态大语言模型与强化学习，提升自动驾驶轨迹规划的性能与效率。
LLaDA-V的高效令牌修剪
机构 * Li Auto Inc.（利自动公司） ； SJTU（上海交通大学）
AI总结 本文提出了一种针对LLaDA-V的结构化令牌修剪方法，通过在中层到后期层移除部分视觉令牌，减少计算开销并保持95%的任务性能。
RubricHub: 通过自动化粗到细生成构建一个全面且高度判别性的评分标准数据集
机构 * Li Auto Inc. ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳））
AI总结 RubricHub通过自动化粗到细生成方法构建了一个大规模多领域评分标准数据集，通过后训练流程显著提升了模型在HealthBench上的表现。
Adams-Bashforth-Moulton 解决方案用于 rectified 流中的反向和编辑
机构 * Li Auto（利亚 Auto） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of New South Wales（新南威尔士大学） ； Tsinghua University（清华大学）
AI总结 本文提出ABM求解器，通过多步预测校正和自适应步长调整提升rectified流模型的求解精度和编辑质量，无需额外训练。
PlannerRFT: 通过闭环和样本高效微调强化扩散规划器
机构 * Tongji University（同济大学） ； Shanghai Innovation Institute（上海创新研究院） ； OpenDriveLab at The University of Hong Kong（香港大学OpenDrive实验室） ； Meituan（美团） ； Li Auto Inc.（李自动公司）
AI总结 PlannerRFT通过闭环和样本高效微调提升扩散规划器的多模态轨迹生成能力，实现高效探索与鲁棒性增强。
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