Harbin Institute of Technology（哈尔滨工业大学）

Q-Fold: Query-Aware Focus-Context Spatio-Temporal Folding for Long Video Understanding

Q-Fold: 查询感知的焦点-上下文时空折叠用于长视频理解

Biao Tang, Xu Chen, Shuxiang Gou, Jingyi Yuan, Yuhan Zhang, Chenqiang Gao

机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳高等研究院） 纠错

AI总结 提出Q-Fold，一种无需训练的长视频输入构建框架，通过查询引导将相关片段保留为高保真焦点帧，不相关片段折叠为上下文布局，在固定预算下提升多模态大模型的长视频理解性能。

Comments 10 pages, 5 figures, 8 tables. Code will be made publicly available

When Does Language Matter? Multilingual Instructions Reveal Step-wise Language Sensitivity in Vision-Language-Action Models

语言何时重要？多语言指令揭示视觉-语言-动作模型中的逐步语言敏感性

Xuan Dong, Zhe Han, Tianhao Niu, Qingfu Zhu, Wanxiang Che

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 本研究通过将LIBERO基准翻译成十种语言，首次系统评估了VLA模型的多语言鲁棒性，发现非英语指令下成功率下降30-50%，并基于步骤级语言敏感性提出推理时对齐干预，显著提升性能。

Comments Accepted to ACL 2026 Main Conference

Precision-Aware Illumination-Disentangled Vision Transformer for Spacecraft 6D Pose Estimation

精度感知光照解耦视觉Transformer用于航天器6D姿态估计

Zongwu Xie, Yifan Yang, Yonglong Zhang, Guanghu Xie, Yang Liu, Shuo Zhang

机构 * School of Mechatronics Engineering, Harbin Institute of Technology（哈尔滨工业大学机电工程学院） 纠错

AI总结 提出PAID-ViT，通过光照解耦、可靠性感知令牌聚合和掩码监督，在光照变化和反射干扰下实现鲁棒的航天器6D姿态估计。

Comments 11 pages, 7 figures

Distortion-Resilient Robotic Imitation Learning for Autonomous Cable Routing

抗畸变机器人模仿学习用于自主电缆布线

Hao Wang, Fu-Zhao Ou, Shiqi Wang, Zhaolin Wan, Xiaopeng Fan

机构 * School of Artificial Intelligence, Harbin Institute of Technology（哈尔滨工业大学人工智能学院） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Pengcheng Laboratory（鹏城实验室） ； Suzhou Research Institute, Harbin Institute of Technology（哈尔滨工业大学苏州研究院） 纠错

AI总结 提出一种包含图像质量评估、置信度学习和决策模块的机器人模仿学习框架，在图像畸变下仍保持高性能，实验验证了其有效性。