VLA / 视觉-语言-动作模型

A DVDrive Approach for doScenes Instructed Driving Challenge

一种面向 doScenes 指令驾驶挑战的 DVDrive 方法

Zijian Fu, Xiangyang Chu, Mengshi Qi, Huadong Ma, Guanghao Zhang, Wei Li

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Xiaomi EV（小米汽车） 纠错

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

AI总结 提出基于 OmniDrive 的指令条件轨迹预测方法，引入 DVPE 分视角感知模块减少跨视角干扰，提升多视角视觉定位与语言指令对齐能力。

FlexLAM: Resolving the Bottleneck Trade-off in Latent Action Learning

FlexLAM: 解决潜在动作学习中的瓶颈权衡

Takanori Yoshimoto, Yang Hu, Naruya Kondo, Tatsuya Matsushima

机构 * University of Tsukuba（筑波大学） ； The University of Tokyo（东京大学） 纠错

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

AI总结 针对潜在动作模型中固定容量瓶颈导致的权衡问题，提出FlexLAM，通过嵌套dropout实现变长潜在动作，在不增加架构或损失的情况下，在稀缺标签和低回报任务中优于固定容量模型，并支持推理时调整令牌预算。

GeneralVLA-2: Geometry-Aware Reconstruction and Governed Memory for Robot Planning

GeneralVLA-2: 几何感知重建与受控记忆用于机器人规划

Haoyu Wang, Guoqing Ma, Zeyu Zhang, Yandong Guo, Boxin Shi, Hao Tang

机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； CASIA（中国科学院自动化研究所） ； AI 2 Robotics 纠错

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

AI总结 针对机器人规划中3D物体重建幻觉和记忆质量不可控的问题，提出GeoFuse-MV3D几何先验引导重建分支和受控长期记忆系统，在GSO-30和Terminal-Bench等基准上显著提升性能。

JoyAI-VL-Interaction: Real-Time Vision-Language Interaction Intelligence

JoyAI-VL-Interaction: 实时视觉-语言交互智能

Dingyu Yao, Junhao Zhou, Chenxu Yang, Chuanyu Qin, Haowen Hou, Zheming Liang, Congcong Wang, Yuhang Cao, Shenglong Ye, Shuai Xie, Shuhuan Gu, Haoyang Huang, Qingyi Si, Nan Duan, Jiaqi Wang

机构 * JD.com（京东） 纠错

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

AI总结 提出一种持续观察、自主决定是否回应的视觉-语言交互模型，并开源8B规模模型及完整部署系统，在六个真实场景中优于现有方案。

CausalPOI: Spatio-Temporal Graph-Based Causal Modeling for Cold-Start POI Check-in Forecasting

CausalPOI：基于时空图因果建模的冷启动POI签到预测

Zhaoqi Zhang, Miao Xie, Yi Li, Linyou Cai, Siqiang Luo, Gao Cong

机构 * Nanyang Technological University（南洋理工大学） ； China Agricultural University（中国农业大学） ； Meituan（美团） 纠错

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

AI总结 提出CausalPOI框架，利用时空功能交互图建模POI间语义和空间关系，通过结构对齐的处理和对照图模拟事实与反事实场景，解决冷启动POI签到预测问题，在真实数据集上显著优于基线。

Comments Accepted at KDD 2026

AURA: Action-Gated Memory for Robot Policies at Constant VRAM

AURA: 恒定VRAM下机器人策略的动作门控记忆

Josef Chen

机构 * KAIKAKU（卡基库） 纠错

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

AI总结 提出AURA-Mem，一种恒定大小、基于动作误差信号门控写入的循环记忆，替代KV缓存，在边缘机器人任务中实现与基线相当的准确率，同时减少5-9倍写入次数。

Generative AI and Digital Ecosystem Resilience: A Proactive Lifecycle-Based Survey

生成式AI与数字生态系统韧性：基于生命周期的主动式综述

Jonghyun Chung, Rishabh Chaddha, Sanket Badhe, Debanshu Das, Nathan Huang, Amanpreet Kaur

机构 * Google LLC（谷歌有限公司） 纠错

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

AI总结 本文采用基于生命周期的C5交互模型，综合机器学习与社会科学方法，系统综述了针对生成式AI驱动的对抗性合成内容的主动检测技术，包括协调不真实行为分析、流行病学建模和霍克斯过程等，旨在构建更具韧性的信息生态系统。

Comments 14 pages, 3 figures, 3 tables. Accepted for publication in IEEE Access (May 2026)

Journal ref IEEE Access (2026) IEEE Access (2026)

Explainable AI for Data-Driven Design of High-Dimensional Predictive Studies

为高维预测研究的数据驱动设计开发可解释的AI

Junyu Yan, Damian Machlanski, Kurt Butler, Panagiotis Dimitrakopoulos, Ewen M Harrison, Bruce Guthrie, Sotirios A Tsaftaris

机构 * School of Engineering, University of Edinburgh（爱丁堡大学工程学院） ； Causality in Healthcare AI Hub (CHAI)（医疗因果AI枢纽） ； Advanced Care Research Centre, Usher School of Population Health Sciences, University of Edinburgh（先进护理研究中心，乌瑟人口健康科学学院，爱丁堡大学） ； Centre for Medical Informatics, Usher School of Population Health Sciences, University of Edinburgh（医学信息学中心，乌瑟人口健康科学学院，爱丁堡大学） 纠错

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

AI总结 本文提出了一种可解释的AI推荐系统，通过数据驱动的方法改进现有可解释统计模型的预测性能，主要贡献是通过可解释AI技术提供三种推荐类型以提高模型的预测能力和透明度。

Comments 41 pages, 7 figures

One-Step Graph-Structured Neural Flows for Irregular Multivariate Time Series Classification

一步图结构神经流用于不规则多变量时间序列分类

Mengzhou Gao, Kaiwei Wang, Pengfei Jiao

机构 * School of Cyberspace, Hangzhou Dianzi University（杭州电子科技大学信息学院） 纠错

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

AI总结 本文提出图结构神经流（GSNF），通过引入辅助轨迹自监督策略增强交互学习，实现在不规则多变量时间序列分类中的高效建模。

Think as Needed: Geometry-Driven Adaptive Perception for Autonomous Driving

按需思考：基于几何的自适应感知用于自动驾驶

Donghyun Kim, Jaehyoung Park

机构 * Stony Brook University（史蒂文尼森布鲁克大学） 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Enhanced HOPE架构，通过几何复杂度估计动态调整LiDAR帧处理路径，减少计算资源浪费，提升复杂场景下的感知能力与遮挡物体追踪性能。

Render, Don't Decode: Weight-Space World Models with Latent Structural Disentanglement

渲染，而非解码：具有潜在结构解耦的权重空间世界模型

Roussel Desmond Nzoyem, Mauro Comi

机构 * Department of Computer Science（计算机科学系） ； University of Manchester（曼彻斯特大学） ； University of Bristol（布里斯托大学） 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NOVA框架，通过权重和偏置构建隐式神经表示，实现高效且可解释的世界模型，支持结构场景组件的解耦与编辑。

Comments 35 pages, 30 figures, 8 tables

Thinking in Text and Images: Interleaved Vision--Language Reasoning Traces for Long-Horizon Robot Manipulation

文本与图像思考：用于长周期机器人操作的交错视觉-语言推理轨迹

Jinkun Liu, Haohan Chi, Lingfeng Zhang, Yifan Xie, YuAn Wang, Long Chen, Hangjun Ye, Xiaoshuai Hao, Wenbo Ding

机构 * Tsinghua University（清华大学） ； Beijing Institute of Technology（北京理工大学） ； Xiaomi Group（小米集团） 纠错

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

AI总结 本文提出IVLR框架，通过显式轨迹表示交替文本子目标与视觉关键帧，提升长周期机器人操作的逻辑与几何一致性，实验显示在LIBERO和SimplerEnv-WidowX上取得高成功率。

Context-Sensitive Abstractions for Reinforcement Learning with Parameterized Actions

具有参数化动作的强化学习中的上下文敏感抽象

Rashmeet Kaur Nayyar, Naman Shah, Siddharth Srivastava

机构 * AAIR-lab（AAIR实验室） 纠错

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

AI总结 本文提出了一种能够在线自主学习状态和动作抽象的方法，以提升长周期稀疏奖励环境下参数化动作的样本效率。

Grounded World Model for Semantically Generalizable Planning

基于语义泛化的世界模型用于规划

Quanyi Li, Lan Feng, Haonan Zhang, Wuyang Li, Letian Wang, Alexandre Alahi, Harold Soh

机构 * Independent（独立） ； EPFL（瑞士联邦理工学院洛桑） ； Beihang University（北京航空航天大学） ； University of Toronto（多伦多大学） ； NUS（新加坡国立大学） 纠错

专题命中 VLA模型 ：VLA(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出基于视觉-语言对齐潜在空间的世界模型，用于改进视觉-运动模型控制，实现更广泛的语义泛化能力。

Improving Neutrino Oscillation Measurements through Event Classification

通过事件分类改进中微子振荡测量

Sebastian A. R. Ellis, Daniel C. Hackett, Shirley Weishi Li, Pedro A. N. Machado, Karla Tame-Narvaez

机构 * King’s College London（伦敦国王学院） ； Fermilab（费米实验室） ； University of California, Irvine（加州大学尔湾分校） 纠错

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

AI总结 本文提出利用事件分类提升中微子能量重建精度，通过机器学习方法区分不同相互作用通道，提高DUNE实验中μ中微子消失分析的准确性和灵敏度。

Comments 12 pages, 7 figures

StaMo: Unsupervised Learning of Generalizable Robot Motion from Compact State Representation

StaMo：从紧凑状态表示中无监督学习通用机器人运动

Mingyu Liu, Jiuhe Shu, Hui Chen, Zeju Li, Canyu Zhao, Jiange Yang, Shenyuan Gao, Hao Chen, Chunhua Shen

机构 * State Key Laboratory of CAD & CG, Zhejiang University（浙江大学CAD&CG国家重点实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Nanjing University（南京大学） ； HKUST（香港科技大学） ； Ant Group（蚂蚁集团） 纠错

专题命中 VLA模型 ：VLA(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出StaMo方法，通过轻量编码器和预训练扩散变换器解码器学习高效紧凑状态表示，提升机器人运动性能，并发现通过潜在插值获得的token差异可作为有效潜动作，增强策略协同训练。

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。

Learning Additively Compositional Latent Actions for Embodied AI

学习可加性组合的潜在动作以实现具身AI

Hangxing Wei, Xiaoyu Chen, Chuheng Zhang, Tim Pearce, Jianyu Chen, Alex Lamb, Li Zhao, Jiang Bian

机构 * Wuhan University（武汉大学） ； Tsinghua University（清华大学） ； Microsoft Research（微软研究院） 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AC-LAM模型，通过强制潜在动作空间上的可加性组合结构，提升动作表示的结构性和准确性，优于现有方法。

X-World: Controllable Ego-Centric Multi-Camera World Models for Scalable End-to-End Driving

X-World: 可控的以自身为中心的多摄像头世界模型用于可扩展的端到端驾驶

Chaoda Zheng, Sean Li, Jinhao Deng, Zhennan Wang, Shijia Chen, Liqiang Xiao, Ziheng Chi, Hongbin Lin, Kangjie Chen, Boyang Wang, Yu Zhang, Xianming Liu

机构 * GWM Team（长城汽车团队） ； XPeng Inc.（小鹏汽车） 纠错

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

AI总结 X-World通过可控的多摄像头生成世界模型，实现高质量多视角视频生成，支持跨摄像头一致性、长时间动态稳定性和严格动作遵循，为可扩展的端到端驾驶评估提供基础。

Comments Technical Report

DynVLA: Learning World Dynamics for Action Reasoning in Autonomous Driving

DynVLA：为自动驾驶中的动作推理学习世界动态

Shuyao Shang, Bing Zhan, Yunfei Yan, Yuqi Wang, Yingyan Li, Yasong An, Xiaoman Wang, Jierui Liu, Lu Hou, Lue Fan, Zhaoxiang Zhang, Tieniu Tan

专题命中 VLA模型 ：VLA(abstract)；分类 cs.RO、cs.CV

AI总结 DynVLA提出一种新的Coot方法Dynamics CoT，通过预测紧凑世界动态来提升决策质量，实验表明其优于Textual CoT和Visual CoT。

Comments 18 pages, 10 figures. Project Page: https://yaoyao-jpg.github.io/dynvla

ViLAM: Distilling Vision-Language Reasoning into Attention Maps for Social Robot Navigation

ViLAM：将视觉-语言推理转化为注意力图用于社交机器人导航

Mohamed Elnoor, Kasun Weerakoon, Gershom Seneviratne, Jing Liang, Vignesh Rajagopal, Dinesh Manocha

机构 * Dept. of Electrical and Computer Engineering, University of Maryland, College Park, MD, USA（电气与计算机工程系，马里兰大学，College Park, MD, USA） ； Dept. of Computer Science, University of Maryland, College Park, MD, USA（计算机科学系，马里兰大学，College Park, MD, USA） ； James Clark School of Engineering, University of Maryland, College Park, MD, USA（James Clark工程学院，马里兰大学，College Park, MD, USA） 纠错

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

AI总结 ViLAM通过蒸馏视觉-语言模型的注意力图，提升社交机器人导航的社会适应性与导航效率。

CycleChemist: A Dual-Pronged Machine Learning Framework for Organic Photovoltaic Discovery

CycleChemist: 一种双管齐下的机器学习框架用于有机光伏材料发现

Hou Hei Lam, Jiangjie Qiu, Xiuyuan Hu, Wentao Li, Fankun Zeng, Siwei Fu, Hao Zhang, Xiaonan Wang

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

AI总结 CycleChemist框架通过结合预测建模与生成分子设计，旨在高效发现高性能有机光伏材料。

EdgeNav-QE: QLoRA Quantization and Dynamic Early Exit for LAM-based Navigation on Edge Devices

EdgeNav-QE: QLoRA量化与动态提前退出用于边缘设备上的基于LAM的导航

Mengyun Liu, Shanshan Huang, Jianan Jiang

机构 * Guangzhou University（广州大学） 纠错

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

AI总结 EdgeNav-QE通过QLoRA量化和动态提前退出机制优化LAMs在边缘设备上的实时导航性能，显著降低延迟和内存占用，同时保持高导航成功率。

LSA: Localized Semantic Alignment for Enhancing Temporal Consistency in Traffic Video Generation

LSA：局部语义对齐用于增强交通视频生成中的时间一致性

Mirlan Karimov, Teodora Spasojevic, Markus Braun, Julian Wiederer, Vasileios Belagiannis, Marc Pollefeys

机构 * Mercedes-Benz AG（梅赛德斯-奔驰集团） ； ETH Zurich（苏黎世联邦理工学院） ； Friedrich-Alexander University Erlangen-Nuremberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） 纠错

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

AI总结 LSA通过局部语义对齐提升交通视频生成的时间一致性，无需外部控制信号。

Comments Accepted to IEEE IV 2026. 8 pages, 3 figures. Code available at https://github.com/mirlanium/LSA

Multi-Excitation Projective Simulation with a Many-Body Physics Inspired Inductive Bias

多激发投影模拟：受多体物理启发的归纳偏置

Philip A. LeMaitre, Marius Krumm, Hans J. Briegel

机构 * University of Innsbruck, Institute for Theoretical Physics（因斯布鲁克大学理论物理研究所） 纠错

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

AI总结 本文提出多激发投影模拟（mePS）方法，通过受多体物理启发的归纳偏置解决超图建模中的指数复杂性问题，并在多个场景中验证了其资源节省和可解释性优势。

Comments 41 pages, 9 figures; Code repository at https://github.com/MariusKrumm/ManyBodyMEPS. Updated to be consistent with AIJ version

Journal ref Artificial Intelligence 352, 104489 (2026)

De Novo Molecular Generation from Mass Spectra via Many-Body Enhanced Diffusion

从质谱数据生成新分子结构的多体增强扩散

Xichen Sun, Wentao Wei, Jiahua Rao, Jiancong Xie, Yuedong Yang

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

AI总结 MBGen通过多体增强扩散框架，利用质谱数据生成新分子结构，显著提升异构体区分和复杂碎片化机制的建模能力。

FantasyVLN: Unified Multimodal Chain-of-Thought Reasoning for Vision-Language Navigation

FantasyVLN: 一种统一的多模态链式推理框架用于视觉-语言导航

Jing Zuo, Lingzhou Mu, Fan Jiang, Chengcheng Ma, Mu Xu, Yonggang Qi

机构 * Fantasy AIGC Team（幻想AIGC团队） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学） 纠错

专题命中 VLA模型 ：VLA(abstract)；分类 cs.RO、cs.CV

AI总结 FantasyVLN通过统一的隐式推理框架实现视觉-语言导航的实时高效推理，结合多模态信息提升导航性能。

Learning Latent Action World Models In The Wild

在真实世界中学习潜在动作世界模型

Quentin Garrido, Tushar Nagarajan, Basile Terver, Nicolas Ballas, Yann LeCun, Michael Rabbat

机构 * FAIR at Meta（Meta旗下的FAIR） ； Inria（法国国家信息与自动化研究所） 纠错

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

AI总结 本研究提出在真实世界视频中学习潜在动作世界模型，通过连续受限的潜在动作捕捉复杂动作，解决了环境噪声和缺乏共同具象的挑战，实现了与动作条件基线相似的规划任务性能。

Comments 37 pages, 25 figures; updated references and experimental details

Topology-Aware Multiscale Mixture of Experts for Efficient Molecular Property Prediction

基于拓扑的多尺度专家混合方法用于高效分子性质预测

Long D. Nguyen, Kelin Xia, Binh P. Nguyen

机构 * School of Mathematics and Statistics（数学与统计学学院） ； Victoria University of Wellington（威灵顿维多利亚大学） ； School of Physical and Mathematical Sciences（物理与数学科学学院） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出基于拓扑的多尺度专家混合方法，通过多尺度交互建模提升3D分子性质预测的效率和准确性。

Tensor-DTI: Enhancing Biomolecular Interaction Prediction with Contrastive Embedding Learning

张量-DTI：通过对比嵌入学习增强生物分子相互作用预测

Manel Gil-Sorribes, Júlia Vilalta-Mor, Isaac Filella-Mercè, Robert Soliva, Álvaro Ciudad, Víctor Guallar, Alexis Molina

机构 * Nostrum Biodiscovery ； Barcelona Supercomputing Center（巴塞罗那超级计算中心） ； Faculty of Pharmacy and Food Sciences, University of Barcelona（巴塞罗那大学药学与食品科学系） ； Catalan Institution for Research and Advanced Studies (ICREA)（加泰罗尼亚研究与高级研究机构） ； Data Science Dpt., Almirall S.A.（Almirall S.A.数据科学部门） 纠错

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

AI总结 Tensor-DTI通过整合多模态嵌入与对比学习，提升生物分子相互作用预测的准确性与可靠性。

Comments Accepted at the Generative and Experimental Perspectives for Biomolecular Design Workshop at ICLR 2025 and at the Learning Meaningful Representations of Life Workshop at ICLR 2025