National University of Singapore（新加坡国立大学）

PokeVLA: Empowering Pocket-Sized Vision-Language-Action Model with Comprehensive World Knowledge Guidance

PokeVLA：通过全面的世界知识指导赋能便携式视觉-语言-动作模型

Yupeng Zheng, Xiang Li, Songen Gu, Yuhang Zheng, Shuai Tian, Weize Li, Linbo Wang, Senyu Fei, Pengfei Li, Yinfeng Gao, Zebin Xing, Yilun Chen, Qichao Zhang, Haoran Li, Wenchao Ding

机构 * CASIA（中国科学院自动化研究所） ； TARS Robotics（TARS机器人实验室） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） ； National University of Singapore（新加坡国立大学） ； Tongji University（同济大学） 纠错

AI总结 本文提出PokeVLA，一种轻量但强大的具身体验模型，通过预训练视觉语言模型和多视角目标感知学习提升机器人操作效率与空间认知能力。

QuantClaw: Precision Where It Matters for OpenClaw

QuantClaw：在OpenClaw中至关重要的精度

Manyi Zhang, Ji-Fu Li, Zhongao Sun, Xiaohao Liu, Zhenhua Dong, Xianzhi Yu, Haoli Bai, Xiaobo Xia

机构 * Huawei Technologies（华为技术有限公司） ； National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 QuantClaw通过动态分配精度优化任务性能，降低计算成本和延迟，提升多轮推理效率。

Comments Blog: https://sparkengineai.github.io/QuantClaw

Sharpness-Aware Poisoning: Enhancing Transferability of Injective Attacks on Recommender Systems

增强推荐系统注入攻击的转移性：锐度感知污染

Junsong Xie, Yonghui Yang, Pengyang Shao, Le Wu

机构 * Key Laboratory of Knowledge Engineering with Big Data（大数据知识工程重点实验室） ； Hefei University of Technology（合肥工业大学） ； Intelligent Interconnected Systems Laboratory of Anhui Province（安徽省智能互联系统实验室） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出锐度感知污染方法，通过寻找近似最坏情况的受害者模型来优化污染数据，提升攻击在不同模型间的转移性。

Clutter-Robust Vision-Language-Action Models through Object-Centric and Geometry Grounding

通过对象中心和几何约束实现抗杂波的视觉-语言-动作模型

Khoa Vo, Taisei Hanyu, Yuki Ikebe, Trong Thang Pham, Nhat Chung, Minh Nhat Vu, Duy Nguyen Ho Minh, Anh Nguyen, Anthony Gunderman, Chase Rainwater, Ngan Le

机构 * University of Arkansas（阿拉巴马大学） ； National University of Singapore（新加坡国立大学） ； TU Wien（维也纳技术大学） ； Max Planck Research School for Intelligent Systems（智能系统马克斯·普朗克研究学校） ； University of Stuttgart（斯图加特大学） ； University of Liverpool（利物浦大学） 纠错

AI总结 本文提出OBEYED-VLA框架，通过分离感知接地与动作推理提升视觉-语言-动作模型在现实环境中的鲁棒性，特别是在存在干扰物、目标缺失和背景变化等挑战性场景中表现优异。

Comments Under review. Project website: https://uark-aicv.github.io/OBEYED_VLA

On Pareto Optimality for Parametric Choice Bandits

关于参数选择老虎机的帕累托最优性

Jierui Zuo, Hanzhang Qin

机构 * Department of Management Science and Engineering, Tsinghua University, Beijing, China（清华大学管理科学与工程系，北京，中国） ； Department of Industrial Systems Engineering and Management, National University of Singapore, Singapore（新加坡国立大学工业系统工程与管理系，新加坡） 纠错

AI总结 本文研究在随机选择下在线商品组合优化问题，提出结合两个正则化最大似然估计器的强制探索乐观面对不确定性方案，分析了自归一化集中不等式、似然椭球置信集定理和近似乐观动作的遗憾界，推导了多名义logit模型的得分和曲率代理，得出帕累托最优区间和平衡点。