Beihang University（北京航空航天大学）

ACoT-VLA: Action Chain-of-Thought for Vision-Language-Action Models

ACoT-VLA：面向视觉-语言-动作模型的行动链式推理

Linqing Zhong, Yi Liu, Yifei Wei, Ziyu Xiong, Maoqing Yao, Si Liu, Guanghui Ren

机构 * Beihang University（北京航空航天大学） ； AgiBot 纠错

AI总结 本文提出ACoT-VLA，通过在动作空间中直接进行推理，改进视觉-语言-动作模型的行动生成，引入显式和隐式动作推理器，实验证明其在真实和仿真环境中的优越性。

Comments Accepted by Conference on Computer Vision and Pattern Recognition (CVPR) 2026

ScenePilot-4K: A Large-Scale First-Person Dataset and Benchmark for Vision-Language Models in Autonomous Driving

ScenePilot-4K：一个大规模第一视角数据集和基准，用于自动驾驶中视觉-语言模型的安全感知学习与评估

Yujin Wang, Yutong Zheng, Wenxian Fan, Tianyi Wang, Hongqing Chu, Li Zhang, Bingzhao Gao, Daxin Tian, Jianqiang Wang, Hong Chen

机构 * Tongji University（同济大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Fudan University（复旦大学） ； Beihang University（北京航空航天大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出ScenePilot-4K数据集，包含3847小时视频和27.7亿帧图像，用于评估视觉-语言模型在自动驾驶中的场景理解、空间感知、运动规划和语义对齐能力，揭示模型在几何感知和规划推理方面的局限性。

SciEGQA: A Dataset for Scientific Evidence-Grounded Question Answering and Reasoning

SciEGQA：一个用于科学证据基础问题回答与推理的数据集

Wenhan Yu, Zhaoxi Zhang, Wang Chen, Guanqiang Qi, Weikang Li, Lei Sha, Deguo Xia, Jizhou Huang

机构 * Beihang University（北京航空航天大学） ； Peking University（北京大学） ； The University of Hong Kong（香港大学） ； Baidu Inc.（百度公司） 纠错

AI总结 SciEGQA数据集通过精细标注和大规模自动构建，提升视觉语言模型在科学文档中的证据定位与推理能力。

Comments 8 pages, 4 figures, 3 tables

vGamba: Attentive State Space Bottleneck for efficient Long-range Dependencies in Visual Recognition

vGamba：用于视觉识别中高效长程依赖的注意力状态空间瓶颈

Yunusa Haruna, Adamu Lawan, Shamsuddeen Hassan Muhammad, Jiaquan Zhang, Chaoning Zhang

机构 * NewraLab ； Beihang University（北京航空航天大学） ； Beijing GoerTek Alpha Labs（北京歌尔泰克阿尔法实验室） ； Imperial College London（伦敦帝国学院） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

AI总结 vGamba通过引入轻量级状态空间模块替代传统瓶颈卷积，有效建模长程依赖，实现更高的计算和内存效率，适用于高分辨率视觉任务。

iiANET: Inception Inspired Attention Hybrid Network for efficient Long-Range Dependency

iiANET：受启发于 inception 的注意力混合网络用于高效长距离依赖

Haruna Yunusa, Adamu Lawan, Abdulganiyu Abdu Yusuf

机构 * NewraLab ； Beihang University（北京航空航天大学） ； Beijing GoerTek Alpha Labs（北京歌尔泰克阿尔法实验室） ； Beijing Institute of Technology（北京理工大学） 纠错

AI总结 本文提出 iiANET，一种高效的混合视觉骨干网络，通过 iiABlock 模块结合改进的全局 r-MHSA 和卷积层，有效捕捉长距离依赖，提升复杂视觉识别任务的性能。

Comments 17 pages, 7 figures. Published in Transactions on Machine Learning Research (TMLR). Available at https://openreview.net/pdf?id=HGSjlgFodQ

Journal ref Transactions on Machine Learning Research (12/2025)

Visualization of Machine Learning Models through Their Spatial and Temporal Listeners

通过空间和时间监听器可视化机器学习模型

Siyu Wu, Lei Shi, Lei Xia, Cenyang Wu, Zipeng Liu, Yingchaojie Feng, Liang Zhou, Wei Chen

机构 * School of Computer Science & Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； Institute of Medical Technology, Peking University Health Science Center and National Institute of Health Data Science, Peking University（北京大学医学部医学技术研究院与北京大学健康数据科学国家研究所） ； School of Software, Beihang University（北京航空航天大学软件学院） ； National University of Singapore（新加坡国立大学） ； 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） 纠错

AI总结 本文提出一种以模型为中心的两阶段框架，通过抽象监听器捕捉模型的空间和时间行为，并将其连接到经典信息可视化流程，分析显示可视化模型结果、定量/名义数据类型和统计图表是主要关注点。

Reasoning-Driven Anomaly Detection and Localization with Image-Level Supervision

基于推理的异常检测与定位：图像级监督

Yizhou Jin, Yuezhu Feng, Jinjin Zhang, Peng Wang, Qingjie Liu, Yunhong Wang

机构 * State Key Laboratory of Virtual Reality Technology and Systems, Beihang University（北京航空航天大学虚拟现实技术与系统国家重点实验室） ； Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院） 纠错

AI总结 本文提出基于图像级监督的异常检测与定位方法，利用大语言模型的推理能力实现像素级定位，无需额外组件或标注。

Comments Accepted to CVPR 2026

RailVQA: A Benchmark and Framework for Efficient Interpretable Visual Cognition in Automatic Train Operation

RailVQA: 一个用于自动列车操作中高效可解释视觉认知的基准和框架

Sen Zhang, Runmei Li, Zhichao Zheng, Yuhe Zhang, Jiani Li, Kailun Zhang, Tao Zhang, Wenjun Wu, Qunbo Wang

机构 * School of Automation and Intelligence, Beijing Jiaotong University（北京交通大学自动化与智能学院） ； School of Software, Northwestern Polytechnical University（西北工业大学软件学院） ； School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） 纠错

AI总结 本文提出RailVQA-bench和RailVQA-CoM，旨在解决ATO中视觉感知与决策推理的高效可解释性问题，通过基准测试和框架提升认知泛化能力与跨领域适应性。

MuVaC: A Variational Causal Framework for Multimodal Sarcasm Understanding in Dialogues

MuVaC：一种用于对话中多模态讽刺理解的变分因果框架

Diandian Guo, Fangfang Yuan, Cong Cao, Xixun Lin, Chuan Zhou, Hao Peng, Yanan Cao, Yanbing Liu

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Beihang University（北京航空航天大学） 纠错

AI总结 本文提出MuVaC框架，通过变分因果推理实现多模态讽刺检测与解释的联合优化，提升对话中讽刺理解的鲁棒性。

Comments 12 pages, 7 figures. Accepted by WWW 2026

NeAR: Coupled Neural Asset-Renderer Stack

NeAR：耦合神经资产-渲染堆栈

Hong Li, Chongjie Ye, Houyuan Chen, Weiqing Xiao, Ziyang Yan, Lixing Xiao, Zhaoxi Chen, Jianfeng Xiang, Shaocong Xu, Xuhui Liu, Yikai Wang, Baochang Zhang, Xiaoguang Han, Jiaolong Yang, Hao Zhao

机构 * BUAA（北京航空航天大学） ； BAAI（北京智源人工智能研究院） ； FNii, CUHKSZ（香港中文大学（深圳）未来网络创新研究院） ； HKUST（香港科技大学） ； NJU（南京大学） ； UniTn（特伦托大学） ； ZJU（浙江大学） ； NTU（南洋理工大学） ； THU（清华大学） ； BNU（北京师范大学） ； SSE, CUHKSZ（香港中文大学（深圳）理工学院） ； AIR, THU（清华大学智能产业研究院） 纠错

AI总结 NeAR通过耦合资产表示与渲染器设计，提升生成质量和一致性。引入Lighting-Homogenized SLAT和光照感知解码器，实现实时可重照明的3D高斯溅射生成，优于现有方法。

Comments Accepted by CVPR 2026. The project page: https://near-project.github.io/