机器人 / 具身智能

ConsiSpace: Learning Geometric Consistency Matters for Video Spatial Reasoning

ConsiSpace：学习几何一致性对视频空间推理很重要

Ting Huang, Zhenyu Zhang, Wenyuan Huang, Jian Yang, Hao Tang

机构 * School of Intelligent Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； School of Computer Science, Peking University（北京大学计算机科学学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

专题命中 具身推理 ：navigation(abstract)；分类 cs.CV

AI总结 针对视频空间推理中现有模型难以聚合一致空间证据的问题，提出ConsiSpace框架，通过构建几何一致内存及采用统一一致性自监督强化学习，在三个空间推理基准测试上取得成绩提升，平均得分比最强基线高12.6分。

Comments ECCV 2026

Mini Amusement Parks (MAPs): A Testbed for Modelling Business Decisions

迷你游乐园（MAPs）：一个用于模拟商业决策的测试平台

Stéphane Aroca-Ouellette, Ian Berlot-Attwell, Panagiotis Lymperopoulos, Abhiramon Rajasekharan, Tongqi Zhu, Herin Kang, Kaheer Suleman, Sam Pasupalak

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 介绍用于评估智能体决策能力的游乐园模拟器Mini Amusement Parks (MAPs)，统一现实决策多方面挑战，提供人类基线和对先进语言模型智能体的评估，发现人类表现更优并揭示智能体在多方面的弱点，为基准测试适应性决策智能体提供新基础。

Comments 9 pages (main paper)

On the Role of Depth in Surgical Vision Foundation Models: An Empirical Study of RGB-D Pre-training

在手术视觉基础模型中深度的作用：一项关于RGB-D预训练的实证研究

John J. Han, Adam Schmidt, Muhammad Abdullah Jamal, Chinedu Nwoye, Anita Rau, Jie Ying Wu, Omid Mohareri

机构 * Vanderbilt University（范德比尔大学） ； Intuitive Surgical Inc.（Intuitive Surgical公司） 纠错

专题命中 具身推理 ：robotic(abstract)；分类 cs.CV

AI总结 本研究通过比较不同预训练方法，发现几何感知的多模态预训练能显著提升手术视觉模型的性能，且无需改变推理架构。

Comments Inaccurate findings

Towards Spatial Supersensing in the Wild

迈向野外空间超感知

Tianjun Gu, Tianyu Xin, Kuan Zhang, Bowen Yang, Kok-Chung Chua, Peize Li, Xinran Zhang, Yupeng Chen, Qiyue Zhao, Qinlei Xie, Jianhang Liu, Yucheng Lu, Yinan Han, Marco Pavone, Yiming Li

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

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 研究针对空间超感知中多模态模型基准测试局限于合成视频和家庭场景的问题，引入VSI-Super-Wild基准，受人类认知启发探究世界状态三元组，通过大量真实视频问答对测试发现模型不足及失败模式，为空间超感知发展指明方向。

Comments Accepted to ECCV 2026. Project page: https://vsi-super-wild.github.io/

Hy-Embodied-VLM-1.0: Efficient Physical-World Agents

Hy-Embodied-VLM-1.0：高效的物理世界智能体

Ziyi Wang, Xumin Yu, Yongming Rao, Yonggen Ling, Yunheng Li, Oran Wang, Mingqi Gao, Yuchen Zhou, Yves Liang, Zuyan Liu, Yani Zhang, Rui Huang, Xiaoran Xu, Bowen Yuan, Yifu Yuan, Xu Tan, He Zhang, Yufei Huang, Shenghao Zhang, Hongsheng Wu, Han Hu, Zhengyou Zhang

机构 * Tencent Robotics X（腾讯Robotics X团队） ； Hy Vision Team（腾讯混元视觉团队） ； Futian Laboratory（福田实验室） 纠错

专题命中 具身推理 ：embodied agent(abstract)；分类 cs.CV

AI总结 研究旨在构建物理世界具身智能体，介绍Hy-Embodied-VLM-1.0模型。定义以行动为中心的能力分类法，开发数据管道。基于特定主干和编码器构建模型，用专家混合架构提升效率。在多基准测试中性能出色，较上一代有显著提升，在具身智能任务中也表现强大。

Comments Tech Report. Code and models are open-sourced at https://github.com/Tencent-Hunyuan/HY-Embodied

LIDAR-AD: A Decoder-Free Latent-Interaction Dreamer with Action-Residual Chains for Autonomous Driving

LIDAR-AD：一种用于自动驾驶的无解码器潜在交互梦想家与动作残差链

Yongzhi Liu, Yang Xiao, Zhong Cao, Zeng Kang, Sunan Zhang, Zhaozhi Dong, Guojun Yu, Weichao Zhuang

机构 * School of Mechanical Engineering, Southeast University（东南大学机械工程学院） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系） ； Xheart Technology Co., Ltd.（芯驰科技有限公司） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.LG

AI总结 研究针对自动驾驶中多源观测冗余问题，提出LIDAR-AD，用减少冗余的潜在对齐取代观测重建，将车辆控制建模为残差动作更新，经实验验证其在模拟场景和现实布局下性能优异，能提升风险感知等能力。

Infinite Worlds with Versatile Interactions

具有通用交互的无限世界

Zelin Gao, Qiuyu Wang, Jiapeng Zhu, Jingye Chen, Zichen Liu, Qingyan Bai, Jiahao Wang, Yufeng Yuan, Hanlin Wang, Yichong Lu, Ka Leong Cheng, Haojie Zhang, Jian Gao, Tianrui Feng, Yuzheng Liu, Yao Yao, Yinghao Xu, Xing Zhu, Yujun Shen, Hao Ouyang

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 介绍LingBot-World 2.0的升级，包括通过因果预训练实现无界交互、提炼实时变体保证快速响应，引入多样交互元素，集成智能控制并开发共享界面，还将主模型与轻量级模型配对便于单GPU部署。

Comments Project page: https://technology.robbyant.com/lingbot-world-v2 Code: https://github.com/robbyant/lingbot-world-v2

Agent-Exploitation Affordances: From Basic to Complex Representation Patterns

智能体-利用可供性：从基本到复杂的表示模式

Bastien Dussard, Aurélie Clodic, Guillaume Sarthou

机构 * LAAS-CNRS, Université de Toulouse, CNRS, Toulouse, France（LAAS-CNRS、图卢兹大学、CNRS、图卢兹、法国） 纠错

专题命中 具身推理 ：robotics(abstract)；分类 cs.RO

AI总结 研究社会机器人领域中智能体的合作可供性概念，提出易于处理的本体表示，通过组合基本模式描绘多样场景，展现此表示的有效性，助力人工智能体理解与环境交互及拓展行动可能。

Journal ref International Conference on Social Robotics (16th Edition), Oct 2024, Odense, Denmark. pp.443-455

Object-Centric Environment Modeling for Agentic Tasks

用于智能任务的以对象为中心的环境建模

Yiyang Li, Tianyi Ma, Zehong Wang, Yijun Ma, Yanfang Ye

机构 * University of Notre Dame（圣母大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 研究大语言模型智能体经验维护难题，提出以对象为中心的环境建模（OCM），将经验组织成可执行模型，含对象知识与过程知识，在线更新并验证，实验表明其能提升智能体性能。

Repair the Amplifier, Not the Symptom: Stable World-Model Correction for Agent Rollouts

修复放大器，而非症状：面向智能体轨迹的稳定世界模型修正

Xinyuan Song, Zekun Cai

机构 * Emory University（埃默里大学） ； The University of Tokyo（东京大学） ； LocationMind 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 针对长流程规划中的图级错误，提出WM-SAR方法，通过子图放大反向定位因果子图进行修复，在有限token预算下优于传统扫描修复方法。

Comments Under Review

World-Model Collapse as a Phase Transition

世界模型崩溃作为相变

Xinyuan Song, Zekun Cai

机构 * Emory University（埃默里大学） ； The University of Tokyo（东京大学） ； LocationMind 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 研究长时域语言代理隐式世界模型中的相变现象，通过确定性任务族的大规模网格搜索揭示从解决平台到崩溃的相图，并证明世界状态保真度先于动作有效性失效。

Comments Under Review

To Use AI as Dice of Possibilities with Timing Computation

将AI用作带有时序计算的可能性骰子

Jia Li, Vipin Kumar, Rui Zhang

机构 * Department of Surgery, University of Minnesota（明尼苏达大学外科系） ； Department of Computer Science & Engineering, University of Minnesota（明尼苏达大学计算机科学与工程系） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 本文提出基于动词的范式，定义时序计算和可能性，使AI能作为实现思维语法的工具，并在乳腺癌患者数据上自动发现临床轨迹和反事实时序推断。

On Sample-Efficient Generalized Planning via Learned Transition Models

基于学习转移模型的高效通用规划

Nitin Gupta, Vishal Pallagani, John A. Aydin, Biplav Srivastava

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 本文提出通过学习转移模型实现高效通用规划，通过显式建模领域动态，相比直接预测动作序列，在多个领域中以更少样本和更小模型获得更高的离分布满足计划成功率。

Comments 14 pages; Extended version of short paper accepted at ICAPS 2026; updated with results and analysis

Diffusion Models are Open-World Affordance Learners: Leveraging Generative Priors for 3D Affordance Learning

扩散模型是开放世界的功能学习器：利用生成先验进行3D功能学习

Hanqing Wang, Zhenhao Zhang, Kaiyang Ji, Mingyu Liu, Wenti Yin, yuchao chen, Zhirui Liu, Xiangyu Zeng, Tianxiang Gui, Hangxing Zhang, Jiahao Yuan, Zhiqing Cui, Jiaxin Liu, Zhiyuan Ma, Hui Xiong

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； ShanghaiTech University（上海科技大学） ； Zhejiang University（浙江大学） ； Nanjing University（南京大学） ； Huazhong University of Science and Technology（华中科技大学） 纠错

专题命中 具身推理 ：robot learning(abstract)；分类 cs.CV

AI总结 研究3D功能基础问题，利用文本到图像扩散模型提取先验知识，提出基于扩散的DAG框架用于3D功能预测，通过实验证明其优于现有方法且泛化能力强。

EPMF: Efficient Perception-aware Multi-sensor Fusion for 3D Semantic Segmentation

EPMF: 高效感知感知多传感器融合用于3D语义分割

Mingkui Tan, Zhuangwei Zhuang, Sitao Chen, Rong Li, Kui Jia, Qicheng Wang, Yuanqing Li

机构 * School of Software Engineering, South China University of Technology（南方科技大学软件工程学院） ； Pazhou Laboratory, Guangzhou, China（广州帕佐实验室） ； School of Electronic and Information Engineering, South China University of Technology（南方科技大学电子与信息工程学院） ； Minieye, Shenzhen, Guangdong, China（深圳Minieye公司） 纠错

专题命中 具身推理 ：robotics(abstract)；分类 cs.CV

AI总结 提出一种高效感知多传感器融合方法EPMF，通过透视投影对齐点云与RGB图像，利用残差融合模块和感知损失提升3D语义分割性能，在nuScenes上mIoU超越RangeFormer 0.9%。

Comments 16 pages, 12 figures, 14 tables, IEEE TPAMI 2024, extended version of the ICCV2021 paper

Hardware-Enforced Semantic Coordination for Safety-Critical Real-Time Autonomous Systems

面向安全关键实时自主系统的硬件强制语义协调

Uwe M. Borghoff, Paolo Bottoni, Remo Pareschi

机构 * Department of Computer Science University of the Bundeswehr Munich Neubiberg, Germany ； Department of Computer Science Sapienza University of Rome Rome, Italy ； STAKE Lab University of Molise Campobasso, Italy 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 针对异构组件并发运行下的协调问题，提出基于FPGA的硬件强制语义协调架构，将TB-CSPN协调机制映射到硬件原语，实现确定性协调和安全保障。

Comments 1 figure, 6 pages

Drive-JEPA: Video JEPA Meets Multimodal Trajectory Distillation for End-to-End Driving

Drive-JEPA：视频JEPA结合多模态轨迹蒸馏实现端到端驾驶

Linhan Wang, Zichong Yang, Chen Bai, Guoxiang Zhang, Xiaotong Liu, Xiaoyin Zheng, Xiao-Xiao Long, Chang-Tien Lu, Cheng Lu

机构 * Virginia Tech（弗吉尼亚理工学院） ； Purdue University（普渡大学） ； XPENG Motors（小鹏汽车） ； Nanjing University（南京大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 提出Drive-JEPA框架，结合视频联合嵌入预测架构（V-JEPA）与多模态轨迹蒸馏，通过自监督视频预训练和动量感知选择机制提升端到端驾驶的规划性能，在NAVSIM上达到新最优。

Affogato: Open-Vocabulary Affordance Grounding with Automated Data Generation at Scale

Affogato: 基于大规模自动数据生成的开词汇可操作区域定位

Junha Lee, Eunha Park, Chunghyun Park, Dahyun Kang, Minsu Cho

机构 * Pohang University of Science and Engineering (POSTECH)（浦项科技大学） ； SqueezeBits ； RLWLRD 纠错

专题命中 具身推理 ：embodied agent(abstract)；分类 cs.CV

AI总结 提出Affogato框架，通过自动化流程生成750K 3D可操作区域热力图与自然语言查询对，解决数据瓶颈，实现开词汇可操作区域定位，并验证其跨架构迁移能力。

Comments ECCV 2026, Project page: https://junha-l.github.io/affogato/

Open-Vocabulary and Referring Segmentation for 3D Gaussians Using 2D Detectors

开放词汇与指代分割：利用2D检测器实现3D高斯

Jameel Hassan, Yasiru Ranasinghe, Vishal Patel

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 具身推理 ：embodied AI(abstract)；分类 cs.CV

AI总结 提出GaussDet方法，利用离散的2D开放词汇检测器与指代表达能力，通过视图聚合语义标签分布实现3D场景的开放词汇分割和指代分割，在零样本设置下显著提升指代分割性能。

MonoSR: Open-Vocabulary Spatial Reasoning from Monocular Images

MonoSR: 从单目图像进行开放词汇空间推理

Qirui Wang, Jingyi He, Yining Pan, Si Yong Yeo, Xulei Yang, Shijie Li

机构 * Technical University of Munich（慕尼黑工业大学） ； A*STAR Institute of Advanced Intelligence and Computing（新加坡科技研究局高级智能与计算研究所） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 具身推理 ：embodied AI(abstract)；分类 cs.CV

AI总结 本文提出MonoSR大规模单目空间推理数据集，涵盖多种场景并支持多种问题类型，评估先进视觉-语言模型并分析辅助信息对单目空间推理的重要性，为开放世界中的单目空间推理提供基础。

Comments Accepted by ECCV 2026

Neural Voxel Dynamics: Learning Implicit 3D Physics via Volumetric Feature Advection

神经体素动力学：通过体素特征平流学习隐式3D物理

Zican Wang, Niloy Mitra

机构 * University College London（伦敦大学学院） ； Adobe Research（Adobe研究院） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 提出自监督框架，将视频预测瓶颈从2D提升到3D体素潜在空间，通过体素特征平流学习隐式3D物理，无需显式物理引擎，实现异构现象的统一模拟。

MeGAS: Thermomechanical Dynamic Gaussian Splatting for Thermophysical Scene Editing

MeGAS: 用于热物理场景编辑的热力学动态高斯泼溅

Zesong Yang, Yuanhang Lei, Liyuan Cui, Yihang Chen, Jiaer Huang, Boming Zhao, Peter Yichen Chen, Hujun Bao, Zhaopeng Cui

机构 * State Key Laboratory 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） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 提出MeGAS框架，将热力学相变动力学融入3D高斯泼溅，通过温度属性、热对流-扩散求解器和MPM动力学实现热物理现象的物理真实合成，并采用拓扑自适应渲染策略处理极端变形。

Comments Accepted by ECCV 2026. Project page: http://zju3dv.github.io/MeGAS

Feed-forward Motion In-betweening for Any 4D

任意4D的前馈运动插值

Hiroki Nishizawa, Hubert P. H. Shum, Yoshihiro Fukuhara, Hirokatsu Kataoka, Shigeo Morishima

机构 * Waseda University（早稻田大学） ； AIST（产业技术综合研究所） ； Durham University（杜伦大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 提出一种基于关键帧条件的前馈插值框架，利用网格VAE和MMDiT骨干的整流流模型，实现任意4D网格的快速运动插值，在DyMesh16和DyMesh32上表现优异。

Comments Video: https://youtu.be/jZAjPUtSq38?si=aXtDMDviFdfkjKUU

Physical-AI: From Channel Awareness to Environmental Intelligence in 6G Wireless Networks

Physical-AI: 从信道感知到6G无线网络中的环境智能

Farooque Hassan Kumbhar, Kapal Dev, Sunder Ali Khowaja, Alexandros-Apostolos A. Boulogeorgos, Mehdi Bennis, Yuanwei Liu

机构 * Augmented Cognition Meta-communications ERC Research Center, Korea University, Korea（增强认知元通信ERC研究中心，韩国大学，韩国） ； Department of Computer Science, Munster Technological University (MTU)（计算机科学系，穆斯特技术大学（MTU）） ； School of Computing, Faculty of Engineering and Computing, Dublin City University, Ireland（计算学院，工程与计算学院，都柏林城市大学，爱尔兰） ； Department of Electrical and Computer Engineering of the Democritus University, Greece（德米特里大学电气与计算机工程系，希腊） ； Department of Electrical and Computer Engineering, The University of Hong Kong, Hong Kong（电气与计算机工程系，香港大学，香港） ； Department of Electronic Engineering, Kyung Hee University, Yongin-si, Gyeonggi-do 17104, South Korea（电子工程系， Kyung Hee大学， Yongin-si, Gyeonggi-do 17104, 韩国） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 提出Physical-AI架构，利用自监督时空无线电基础模型将分布式观测转化为共享环境表征，通过多推理头估计阻塞、用户分布等环境属性，并基于神经决策层实现主动控制，降低中断概率和阻塞响应延迟。

BIFE: Better Interaction, Fewer Errors for Minute-Long Video Generation

BIFE：更好的交互，更少的错误，用于分钟级视频生成

Zeyu Zhang, Jinyuan Mao, Shuning Chang, Yuanyu He, Yizeng Han, Jiasheng Tang, Fan Wang, Bohan Zhuang

机构 * DAMO Academy, Alibaba Group（阿里巴巴集团 DAMO 院） ； Zhejiang University（浙江大学） ； Hupan Lab（虎扑实验室） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 提出BIFE框架，通过语义稀疏KV缓存和块强制训练策略，解决长视频生成中的长程交互保持和误差累积问题，实现稳定连贯的分钟级视频生成，在VDE指标上提升约20%。

Occ-VLM: Occupancy Grounded Vision Language Model for Indoor Scene Understanding

Occ-VLM: 面向室内场景理解的占用接地视觉语言模型

Jianing Li, Zhou Fang, Yijiang Liu, Li Du

机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） 纠错

专题命中 具身推理 ：robotic(abstract)；分类 cs.CV

AI总结 提出Occ-VLM，仅用姿态RGB图像和单一2D视觉编码器，通过重建3D占用作为几何先验，实现统一的3D场景理解，在占用预测、3D VQA和密集描述任务上达到领先水平。

GeoStream: Toward Precise Camera Controlled Streaming Video Generation

GeoStream：迈向精确相机控制的流式视频生成

Yizhou Zhao, Yifan Wang, Xiaoyuan Wang, Yushu Wu, Hao Zhang, Moayed Haji-Ali, Rameen Abdal, Ashkan Mirzaei, Yanyu Li, Willi Menapace, Laszlo Jeni, Sergey Tulyakov, Peter Wonka, Chaoyang Wang

机构 * CMU（卡内基梅隆大学） ； Northeastern University（东北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Rice University（莱斯大学） ； Snap Inc.（Snap公司） ； KAUST（阿卜杜拉国王科技大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 提出GeoStream框架，通过自刷新3D缓存和在线策略蒸馏，实现自回归流式视频生成中的精确度量级相机控制，解决了现有方法在视角移动时控制失效和分布偏移问题。

Reasoning as Pattern Matching: Shared Mechanisms in Human and LLM Everyday Reasoning

推理即模式匹配：人类与LLM日常推理中的共享机制

Zach Studdiford, Gary Lupyan

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 研究通过比较人类和25个LLM在日常因果推理中的错误模式，发现两者均表现出模式匹配而非抽象世界模型驱动的推理，并识别出LLM中驱动响应的注意力头可预测人类推理错误。

Comments 13 pages main text, 51 pages supplementary text

GroupToM-Bench: Benchmarking Group Theory of Mind and Nonlinear Social Emergence in MLLMs

GroupToM-Bench: 多模态大语言模型中群体心智理论和非线性社会涌现的基准测试

Weidong Tang, Jierui Li, Yueling Hou, Zihan Mei, Can Zhang, Xinyan Wan, Zhiyuan Liang, Pengfei Zhou, Yang You, Wangbo Zhao

机构 * Xidian University（西安电子科技大学） ； National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 针对多模态大语言模型在群体心智理论推理上的不足，提出GroupToM-Bench基准，通过七级认知审计框架评估模型从微观BDI状态到宏观结果预测的因果链，揭示模型在处理社会结构和非线性集体动态上的缺陷。

Comments ACL 2026 (Main Conference)

One Transit Is All You Need: Detecting Exoplanets Through Learned Stellar Behaviour with EXOVEIL

一次凌星足矣：通过EXOVEIL学习恒星行为检测系外行星

Pratik Priyanshu

机构 * SRH Hochschule（SRH 高校） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.LG

AI总结 提出EXOVEIL系统，利用Transformer世界模型和自监督学习从原始光变曲线中检测单次凌星事件，在Kepler数据上实现高召回率，并零样本迁移至TESS和PLATO任务。

Comments v3: appendix gallery of confirmed-planet recoveries added; Section 6 candidate catalogue reframed as transit-like anomalies for follow-up; TLS comparison table expanded