Peking University（北京大学）

StateFlow: Building, Evolving, and Accessing 3D World States for Previsualization

StateFlow：用于预可视化的3D世界状态的构建、演化与访问

Yuyang Yin, Zixiang Li, Longxuan Deng, Hongkai Li, Shifang Zhao, Junnan Liu, Weirong Huang, Mengyu Wang, Tianxiao Fu, Yikai Wang, Peng-Shuai Wang, Xiaojie Jin, Yao Zhao, Yunchao Wei

机构 * Beijing Jiaotong University（北京交通大学） ； Mootion AI ； Beijing Normal University（北京师范大学） ； Peking University（北京大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

AI总结 StateFlow是一种以状态为中心的预可视化框架，通过构建、演化、访问可编辑3D世界的三阶段方法，提升生成预可视化的可控性与迭代编辑能力，可生成高质量3D世界用于视频创作和游戏原型设计。

Comments Project Page: https://yuyangyin.github.io/StateFlow

Dual Modality Prompted Diffusion Priors for Zero Shot Hyperspectral Pansharpening

用于零样本高光谱 pansharpening 的双模态提示扩散先验

Pengwei Xie, Fei Zhu, Jiajun Li, Xiangyuan Liu, Xiangyuan Liu, Kangqing Shen, Gemine Vivone

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； Peking University（北京大学） ； National Center for Applied Mathematics Shenzhen (NCAMS), Southern University of Science and Technology（南方科技大学深圳应用数学国家中心） ； Department of Automation, Tsinghua University（清华大学自动化系） ； National Research Council of Italy, Institute of Integrated Methodologies for Earth Observation (CNR-IMIOT)（意大利国家研究委员会综合地球观测方法研究所） 纠错

AI总结 该研究针对零样本高光谱 pansharpening 问题，提出双模态提示扩散模型 DIDM，通过双模态提示注入与全色引导正则化实现空间细节与光谱保真的平衡，在多数据集实验中取得最优性能。

CausalSplat: Towards Comprehensive Hierarchical Reasoning in 3D Gaussian Splatting

CausalSplat：面向3D高斯溅射的综合层级推理

Jiayu Ding, Meilu Song, Yun Chen, Wei Gao, Ge Li

机构 * Peking University（北京大学） ； North China Electric Power University（华北电力大学） ； Hunan University（湖南大学） 纠错

AI总结 针对3D高斯溅射推理局限，本文提出CausalSplat框架，结合视觉语言模型与3D场景图，构建两个推理基准，在相关任务上实现最优性能与强泛化性。

Comments Accepted to ACM MM 2026

From Reasoning Depth to Reasoning Breadth: Evaluating Multi-Point Associative Reasoning in Large Language Models

从推理深度到推理广度：评估大型语言模型中的多点关联推理

Si'an Xie, Jiaxun Liu, Biao Yang, Wei Yuan, Fan Yang, Tingting Gao, Ming Wu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； Kuaishou Technology（快手科技） 纠错

AI总结 该研究构建了中英双语多点关联推理基准MPAR-Bench，发现大型语言模型的推理深度未自动带来稳健的推理广度，当前基准未充分覆盖推理广度。

EchoCache: Energy-Guided Cross-Modal Caching for Efficient Audio-Driven Video Generation

EchoCache：面向高效音频驱动视频生成的能量引导跨模态缓存

Jiayu Chen, Xiaoyu Wu, Rongshan Gao, Maoliang Li, Zihao Zheng, Xinhao Sun, Hailong Zou, Guojie Luo, Xiang Chen

机构 * Peking University（北京大学） ； Taiyuan University of Technology（太原理工大学） 纠错

AI总结 EchoCache是一种能量引导跨模态缓存框架，通过利用音频时频能量锚点与动态缓存机制，在保持音频驱动视频生成质量的同时，实现了2.46倍的推理加速，优化了延迟-质量权衡。

Comments EchoCache is honored to be accepted by ACM MM 2026

Pixel-Space Diffusion Transformers

像素空间扩散变换器

Renye Yan, Jikang Cheng, You Wu, Ling Liang, Wei Peng, Athanasios V. Vasilakos, Qingyu Zhao, Yu Zhang, Yimao Cai, Kilian M. Pohl, Guoying Zhao

机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Stanford University（斯坦福大学） ； Cornell University（康奈尔大学） ； University of Oulu（奥卢大学） 纠错

AI总结 本文探讨像素空间扩散变换器，针对潜在扩散模型的局限，研究直接对原始像素建模的像素空间扩散方法，介绍其在高维建模中的挑战与多模态建模优势，从多方面回顾pDiTs，总结方法、识别挑战并展望未来方向。

MuseVLA: An Adaptive Multimodal Sensing Vision-Language-Action Model for Robotic Manipulation

MuseVLA: 一种用于机器人操作的自适应多模态感知视觉-语言-动作模型

Xingyuming Liu, Ruichun Ma, Heyu Guo, Qixiu Li, Qingwen Yang, Lin Luo, Shiqi Jiang, Chenren Xu, Jiaolong Yang, Baining Guo

机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Microsoft Research Asia（微软亚洲研究院） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） 纠错

AI总结 提出MuseVLA模型，通过将传感器作为按需工具集成，实现自适应多模态感知；设计传感器图像统一表示，并引入数据合成流水线，在灵巧手操作任务中平均成功率80.6%，显著优于RGB-only和多模态基线。

BlitzGS: City-Scale Gaussian Splatting at Lightning Speed

BlitzGS：闪电速度实现城市级高斯点云渲染

Zhongtao Wang, Huishan Au, Yilong Li, Mai Su, Haojie Jin, Yisong Chen, Meng Gai, Fei Zhu, Guoping Wang

机构 * Peking University（北京大学） 纠错

AI总结 BlitzGS通过分布式3DGS框架实现城市级场景快速重建，通过分层工作负载管理减少活跃高斯点云计算量，提升渲染效率。

Spend Less, Fit Better: Budget-Efficient Scaling Law Fitting via Active Experiment Selection

少花钱，多适配：通过主动实验选择实现预算高效的缩放定律拟合

Sijie Li, Shanda Li, Haowei Lin, Weiwei Sun, Ameet Talwalkar, Yiming Yang

机构 * Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Datadog 纠错

AI总结 本文提出一种预算感知的序列实验设计方法，通过主动选择实验来提高缩放定律拟合的准确性，实验结果显示其在多种缩放定律任务中优于传统方法，仅用10%的预算即可达到全集拟合效果。

Comments COLM 2026

RLinf-VLA: A Unified and Efficient Framework for Reinforcement Learning of Vision-Language-Action Models

RLinf-VLA: 一种用于视觉-语言-动作模型强化学习的统一高效框架

Hongzhi Zang, Mingjie Wei, Si Xu, Yongji Wu, Zhen Guo, Yuanqing Wang, Hao Lin, Peihong Wang, Liangzhi Shi, Yuqing Xie, Zhexuan Xu, Zhihao Liu, Kang Chen, Wenhao Tang, Quanlu Zhang, Weinan Zhang, Chao Yu, Yu Wang

机构 * Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院） ； Infinigence AI ； Peking University（北京大学） ； UC Berkeley（加州大学伯克利分校） ； Harbin Institute of Technology（哈尔滨工程学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

AI总结 RLinf-VLA是一种统一高效的框架，用于提升视觉-语言-动作模型在具身环境中的强化学习性能，通过统一接口和高效资源分配实现统一和可扩展的训练。

Comments Accepted to RSS 2026. This is the technical report of the RLinf Team, focusing on the algorithm side. For the system-level design, please refer to arXiv:2509.15965. The open-sourced code link: https://github.com/RLinf/RLinf