VLA / 视觉-语言-动作模型

UAV-Track VLA: Embodied Aerial Tracking via Vision-Language-Action Models

UAV-Track VLA: 通过视觉-语言-动作模型实现具身空中跟踪

Qiyao Zhang, Shuhua Zheng, Jianli Sun, Chengxiang Li, Xianke Wu, Zihan Song, Zhiyong Cui, Yisheng Lv, Yonglin Tian

机构 * Beijing Institute of Technology（北京理工大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Sanya（三亚学院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Hunan University（湖南大学） ； Beihang University（北京航空航天大学） ； Flying Intelligence Team (Virtual Research Community)（飞行智能团队（虚拟研究社区）） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(title,abstract)；action model(title)；分类 cs.RO、cs.CV

AI总结 本文提出UAV-Track VLA模型，通过视觉-语言-动作融合解决动态城市场景中的具身跟踪问题，提升UAV的实时控制性能。

Adaptive Action Chunking at Inference-time for Vision-Language-Action Models

推理时的自适应动作分块

Yuanchang Liang, Xiaobo Wang, Kai Wang, Shuo Wang, Xiaojiang Peng, Haoyu Chen, David Kim Huat Chua, Prahlad Vadakkepat

机构 * National University of Singapore（新加坡国立大学） ； Shenzhen University of Advanced Technology（深圳理工大学） ； Sangfor Technologies Inc.（深信服科技股份有限公司） ； Mininglamp Technology（明略科技） ； Shenzhen Technology University（深圳技术大学） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract)；分类 cs.RO

AI总结 本文提出自适应动作分块策略，通过动作熵动态调整分块大小，提升机器人操作的反应与一致性。

Comments accepted by CVPR 2026

Learning Vision-Language-Action World Models for Autonomous Driving

学习视觉-语言-动作世界模型以实现自动驾驶

Guoqing Wang, Pin Tang, Xiangxuan Ren, Guodongfang Zhao, Bailan Feng, Chao Ma

机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院教育部人工智能重点实验室） ； Central Research Institute, Huawei（华为中央研究院） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出VLA-World模型，通过结合预测想象与反思推理提升自动驾驶的前瞻性。该模型利用生成的轨迹引导图像生成，并通过反思优化轨迹预测，实验表明其在规划和未来场景生成任务中优于现有方法。

Comments Accepted by CVPR2026 findings

RAMP: Hybrid DRL for Online Learning of Numeric Action Models

RAMP：用于在线学习数字动作模型的混合深度强化学习

Yarin Benyamin, Argaman Mordoch, Shahaf S. Shperberg, Roni Stern

机构 * Ben-Gurion University of the Negev（内盖夫本-古里安大学） 纠错

专题命中 VLA模型 ：action model(title,abstract)；分类 cs.AI

AI总结 RAMP通过环境交互在线学习数字规划动作模型，结合深度强化学习策略、动作模型学习和规划，形成正反馈循环提升求解能力和计划质量。

Comments Accepted as a workshop paper at the Adaptive and Learning Agents (ALA) Workshop at AAMAS 2026

V-CAGE: Vision-Closed-Loop Agentic Generation Engine for Robotic Manipulation

V-CAGE：用于机器人操作的视觉闭环代理生成引擎

Yaru Liu, Ao-bo Wang, Nanyang Ye

机构 * University of Cambridge（剑桥大学） ； Wuhan University（武汉大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 VLA模型 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO

AI总结 V-CAGE通过闭环代理生成框架实现机器人数据合成，结合语义布局规划和视觉自验证，提升环境生成的语义结构和可达性，解决传统方法在场景生成中的不足。

InstrAct: Towards Action-Centric Understanding in Instructional Videos

InstrAct：迈向指令视频中的动作中心理解

Zhuoyi Yang, Jiapeng Yu, Reuben Tan, Boyang Li, Huijuan Xu

机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Microsoft Research（微软研究院） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 VLA模型 ：action model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出InstrAction框架，通过数据驱动策略和辅助目标提升指令视频中动作识别与建模，建立InstrAct基准测试集，优于现有视频基础模型。

The Baryon Budget of Galaxies across the First Billion Years

星系在第一十亿年中的重子预算

Umberto Maio, Céline Péroux

专题命中 VLA模型 ：VLA(abstract)

AI总结 研究早期星系中气体和恒星的相态及其预算，探讨重子预算、耗尽时间及恒星回流比例随红移和恒星年龄的变化，利用冷模拟方法分析不同相态。

Comments Meminisse iuvabit - published in A&A

Journal ref A&A 708, A244 (2026)