视觉大模型 / VLM

HaltNav: Reactive Visual Halting over Lightweight Topological Priors for Robust Vision-Language Navigation

HaltNav: 基于轻量拓扑先验的反应式视觉停止用于鲁棒视觉-语言导航

Zihui Yu, Pingcong Li, Bichi Zhang, Sören Schwertfeger

机构 * SIST, ShanghaiTech University（上海科技大学信息与通信科学核心平台，上海科技大学） ； Key Laboratory of Intelligent Perception and Human-Machine Collaboration（智能感知与人机协同重点实验室） 纠错

专题命中 GUI与屏幕智能体 ：grounding(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 本文提出HaltNav框架，结合轻量拓扑先验与局部探索能力，通过反应式视觉停止机制提升视觉-语言导航的鲁棒性，实验表明其在复杂环境下的表现优于现有方法。

Action Draft and Verify: A Self-Verifying Framework for Vision-Language-Action Model

动作草稿与验证：一种用于视觉-语言-动作模型的自验证框架

Chen Zhao, Zhuoran Wang, Haoyang Li, Shifeng Bao, Guanlin Li, Youhe Feng, Yang Li, Jie Tang, Jing Zhang

机构 * Key Laboratory of Data Engineering（数据工程与知识工程重点实验室） ； Tsinghua University（清华大学） ； Beijing University of Posts（北京邮电大学） ； School of Information, Renmin University of China（中国人民大学信息学院） 纠错

专题命中 GUI与屏幕智能体 ：VLM(abstract)；分类 cs.CV

AI总结 本文提出Action-Draft-and-Verify框架，结合扩散动作专家和VLM，通过单次前向传递选择最优动作片段，提升模拟和现实场景中的成功率。

Not All Features Are Created Equal: A Mechanistic Study of Vision-Language-Action Models

并非所有特征都具有同等价值：一种视觉-语言-动作模型的机制研究

Bryce Grant, Xijia Zhao, Peng Wang

机构 * Case Western Reserve University（凯斯西储大学） 纠错

专题命中 GUI与屏幕智能体 ：VLM(abstract)

AI总结 研究通过激活注入、稀疏自编码器和线性探针分析视觉-语言-动作模型，发现视觉路径主导动作生成，语言敏感性取决于任务结构而非模型设计，且专家路径编码运动程序，VLM路径编码目标语义，释放Action Atlas供探索。

Comments Accepted to Multimodal Intelligence Workshop @ ICLR