AI 大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
Robust-WAM：桥接生成式预训练与世界-动作模型中的语义前瞻
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Beihang University（北京航空航天大学） ； Huawei Foundation Model Department（华为基础模型部门）
专题命中 动作与事件理解 ：video generation(abstract,abstract_cn)；分类 cs.CV
AI总结 Robust-WAM是一种通用后训练方法，在保留VAE生成路径的同时添加语义前瞻对齐，可提升多个WAM基线在分布外条件下的动作预测成功率且不损失分布内性能。
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）
专题命中 动作与事件理解 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
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。
模仿人类认知，掌握多图像推理：增强视觉理解的元动作框架
机构 * East China Normal University（华东师范大学） ； ByteDance（字节跳动）
专题命中 动作与事件理解 ：video understanding(abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 提出受人类认知启发的元动作框架CINEMA，将多图像推理分解为五个结构化元动作，结合检索树采样和两阶段强化学习，在多个基准上超越GPT-4o。
Comments Accepted by CVPR 2026
弹出式干扰揭示视频大语言模型中的事件袋行为
机构 * Texas A&M University（德克萨斯A&M大学） ； National Taiwan University（台湾国立大学） ； Stanford University（斯坦福大学） ； VinUniversity（文大学）
专题命中 动作与事件理解 ：video understanding(abstract)；分类 cs.CV
AI总结 通过插入无关广告片段，发现视频大语言模型常将不同片段的事件错误关联，表现出将视频视为事件集合而非时间序列的“事件袋”行为。
EchoStyle: 通过反向数据合成解锁高保真视频风格化
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Alibaba Group（阿里巴巴集团） ； Xi’an Jiaotong University（西安交通大学）
专题命中 动作与事件理解 ：long video(abstract)；分类 cs.CV
AI总结 提出EchoStyle框架，通过构建视频到视频架构、自动反向合成数据集V-Style20k和初始跟随模式机制，解决视频风格化中的内容泄露、数据稀缺和长视频适应性问题，实现高质量任意长度视频风格化。
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）
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
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。
ActionParty：生成视频游戏中的多主体动作绑定
机构 * Snap Research（Snap研究院） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
专题命中 动作与事件理解 ：video diffusion(abstract)；分类 cs.CV
AI总结 本文提出ActionParty，一种可控制多主体的生成视频游戏世界模型，通过引入主体状态标记和空间偏置机制，提升动作关联准确性与身份一致性。
Comments ECCV 2026 - Project page: https://action-party.github.io/
MoHallBench: 视频大语言模型中运动幻觉的基准测试
机构 * Xiamen University（厦门大学） ； South China University of Technology（华南理工大学） ； Peking University（北京大学）
专题命中 动作与事件理解 ：video understanding(abstract)；分类 cs.CV
AI总结 提出MoHallBench基准，系统评估视频大语言模型中的运动幻觉，涵盖共现先验、顺序推理和相似混淆三类来源，揭示动作识别与幻觉抵抗的解耦现象。
Comments 19 pages, 5 figures
生成式动作叙事：评估合成视频中的人体运动
机构 * Boston University（波士顿大学） ； Belmont High School（贝利蒙高中） ； Canyon Crest Academy（坎波尔峡谷学院） ； Runway
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 研究视频生成模型中评估复杂人类动作指标难的问题，提出融合骨骼与外观特征的评估指标，经多方面基准验证，该指标相比现有方法有显著改进，与人类感知相关性强，揭示了当前模型局限性并建立新标准。
DriveVA: 视频动作模型是零样本驱动器
机构 * University of Twente（特温特大学） ； Xiaomi EV（小米电动汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学）
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 DriveVA提出了一种新的自动驾驶世界模型，通过共享潜在生成过程联合解码未来视觉预测和动作序列，提升跨数据集和传感器配置的泛化能力，减少碰撞率和误差。
Comments Accepted to ECCV 2026. 30 pages, 12 figures, 11 tables
CustomX: 视频世界模型中的统一角色、动作与场景定制
机构 * Fudan University（复旦大学） ； Microsoft Research（微软研究院） ； University of Waterloo（滑铁卢大学） ； The University of Hong Kong（香港大学）
专题命中 动作与事件理解 ：video generation(abstract)；分类 cs.CV
AI总结 提出CustomX，结合静态世界生成与可控实体模型，支持用户指定角色在3D场景中执行开放动作，通过条件自回归视频生成保持视觉保真度。
Comments Accepted to ECCV 2026. Project page: https://snowflakewang.github.io/CustomX_Page/
保留未来，放弃展开：面向世界动作模型的RIFT
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 本文针对世界动作模型部署延迟问题，提出RIFT方法，通过学习的预期标记一次构建未来K/V缓存，在LIBERO、RoboTwin 2.0任务上实现高成功率且大幅降低动作块延迟。
TOPReward: 令牌概率作为机器人学中的隐式零样本奖励
机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究所） ； Amazon（亚马逊） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 动作与事件理解 ：video-language(abstract)
AI总结 TOPReward通过利用预训练视频视觉-语言模型的令牌概率，提供高效的零样本奖励估计，显著提升机器人任务进度评估的性能和泛化能力。
MotuBrain: 一种先进的世界动作模型用于机器人控制
机构 * MotuBrain Team（MotuBrain团队）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 MotuBrain提出一种统一的世界动作模型，结合视频和动作，支持多项任务，实现高效部署和高精度控制。
RynnWorld-Teleop：用于数字遥操作的动作条件世界模型
机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hong Kong Embodied AI Lab（香港具身人工智能实验室） ； CUHK（香港中文大学） ； Hupan Lab（湖畔实验室） ； Alibaba Group（阿里巴巴集团） ； Ant Group（蚂蚁集团）
专题命中 动作与事件理解 ：video diffusion(abstract)
AI总结 研究针对机器人学习数据收集瓶颈，提出数字遥操作范式，用生成世界模型解耦数据收集与物理约束。以RynnWorld-Teleop系统实现，含多种技术，能实时生成，训练策略可零样本转移，还能增强数据集，是高保真可扩展数据引擎。
Comments Project Page: https://alibaba-damo-academy.github.io/RynnWorld-Teleop.github.io, Github: https://github.com/alibaba-damo-academy/RynnWorld-Teleop
FineVLA：面向可操控视觉-语言-动作策略的细粒度指令对齐
机构 * XLANG Lab, The University of Hong Kong（XLANG实验室，香港大学） ； Qwen Team, Alibaba Inc.（通义团队，阿里巴巴公司）
专题命中 动作与事件理解 ：video understanding(abstract)
AI总结 提出FineVLA框架，通过构建细粒度数据集和训练策略，在保持任务成功率的同时实现机器人动作的细粒度可控性。
Comments 26 pages, 7 figures, 25 tables
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