S²-VLA 引入信念状态和自适应动态门控，仅用2B参数、7GB显存，长程操控超越7B模型。 作者丨张 璐 编辑丨幸丽娟 过去一段时间，Scaling Law 在具身智能里被看得很重。为了让机械臂完成复杂的搬运、对准和组合，多数工作把视觉-语言-动作（VLA）模型做到 7B 甚至 8.5B。参数变大后，语义理解和场景识别确实更强了，但长程操控里的不稳定问题并没有随之消失。 很多大参数量 VL...

将动作从输出端搬到调度端，推理速度提升1.79倍。 作者丨邓哲敏 编辑丨齐铖湧 机器人想要真正走进千行百业、千家万户，有一道绕不开的坎：它得足够快。 不说快到能打羽毛球那，至少得快到让人觉得这玩意儿能用。一个机械臂每动一下都要停顿两三秒，哪怕成功率再高，在工业场景里算下来的投入产出比也很难说服人。 VLA 模型是当前具身智能领域最受关注的技术路线之一。它把视觉感知、语言理解和动作生成整合进一...

告别理想仿真，中国学术团队用物理工程方案回应落地挑战。 作者丨张璐 编辑丨岑峰 过去一年多里，具身智能似乎按下了快进键。 从 Physical Intelligence 发布的π₀到开源社区追捧的OpenVLA，VLA大模型一路高歌猛进。在各种标准基准测试和精心搭建的实验室 Demo 中，机械臂叠衣服、拿取物品流畅得宛如人类，动辄刷出 90% 甚至 95% 以上的成功率。然而，当全行业都在欢...

A3B2自适应非对称适配器，诠释大模型微调的“克制”艺术。 作者丨张 璐 编辑丨幸丽娟 在视觉语言大模型（VLM）落地少样本迁移任务时，高效参数微调（PEFT）是大家普遍采用的低成本方案。 然而，业界长期存在一个惯性思维：既然是做图像分类，给图像编码器多挂几个 Adapter、多做微调，模型理应能看懂更多视觉细节。 但现实却演化出一个尴尬的矛盾：在面对未知的现实场景（域外数据/OOD）时，在...

来源：北京工业大学计算机学院 原文链接：http://insis.bjtu.edu.cn/219.html 近期，计算机视觉领域顶级会议“第40届计算机视觉与模式识别会议”（IEEE/CVF CVPR 2026）、“第20届国际计算机视觉大会”（ICCV 2025）、多媒体领域国际顶级会议“第33届国际多媒体大会”（ACM MM 2025）、机器学习领域顶级会议“第43届国际机器学习大会”（...

来源：江西师范大学原文链接：https://www.jxnu.edu.cn/2026/0622/c13128a295599/page.htm近日，江西师范大学人工智能学院“多模态智能计算与系统实验室”在异常检测和医疗图像识别领域取得多项重要进展，研究成果接连被ECCV、MICCAI、IJCAI等国际顶级学术会议接收，展现出实验室在多模态智能计算方向上的持续创新能力与国际影响力。科研成果一：无...

重新审视人类视频如何赋能机器人学习 作者丨邓哲敏 编辑丨齐铖湧 大模型时代，规模化的数据能带来能力跃迁，这一规律已被反复验证。 当这套范式进入机器人领域，问题变得复杂。机器人需要的不仅是大量数据，而且是能够转化为动作能力的数据。 人类视频近期成为研究者关注的新来源。它规模巨大、获取成本低、覆盖场景丰富，但它毕竟不是机器人数据，视频里没有机器人动作标签，人类手部运动也无法直接对应机器人的控制信...

来源：公众号"新智元"（ID: AI_era） 原文链接：https://hub.baai.ac.cn/view/55906 多模态大模型正试图从「看画面」进化到「懂世界」。但面对动辄数小时的真实业务长视频，所有大模型玩家都撞上了一堵极其现实的高墙：视频那么长，算力那么贵，帧，到底该怎么选？ 多模态大模型正试图从「看画面」进化到「懂世界」。但面对动辄数小时的真实业务长视频，所有大模型玩家都撞...

来源：可信及通用人工智能实验室 原文链接：https://mp.weixin.qq.com/s/Z-vIP89OWTHG5sMJNlp9BA 我们将在第35届国际人工智能联合会议（IJCAI 2026）举办“基础模型时代的联邦学习”研讨会（FL@FM-IJCAI'26）。该研讨会主要聚焦基础模型（FMs）与联邦学习（FL）的结合。随着大规模基础模型的普及，分布式训练、数据隐私、计算资源和模型...

IJCAI2026：用最弱维度优化提升多模态推理 来源：NLPIR 原文链接：https://mp.weixin.qq.com/s/FLV5RwspqYkXEQQ25WibyA 论文引言 近日，NLPIR团队围绕多模态大模型推理可靠性问题开展研究，提出了一种全新的多模态过程奖励建模框架 MMS-PRM（Multimodal Multi-Dimensional Salarization Pro...