大厂专区
GRNEdit：生成式细化网络中基于二元证据视角的高效通用视频编辑
机构 * Xidian University（西安电子科技大学） ； Xiaomi Inc.（小米公司）
AI总结 GRNEdit是轻量级两阶段通用视频编辑框架，以二元证据视角建模编辑意图，仅用0.6M数据和少量参数训练，在OpenVE-Bench上表现优于或媲美同类开源编辑器。
从拒答到丰富：用于长文本幻觉强化学习的评分规则奖励
机构 * Peking University（北京大学） ； Xiaomi（小米）
AI总结 该研究针对长文本幻觉强化学习的「拒答-丰富度」权衡，提出用关键要点评分规则定义奖励，发现软组合依据、评分规则覆盖率与相关性的奖励能实现最佳平衡，提升了依据性与分布外迁移能力。
ControlFoley: 一种统一且可控的视频到音频生成方法，具有跨模态冲突处理
机构 * MiLM Plus, Xiaomi Inc.（小米MiLM Plus） ； MiLM Plus, Xiaomi Inc. Wuhan University（小米MiLM Plus 武汉大学） ； Wuhan University（武汉大学）
AI总结 ControlFoley通过联合视觉编码和时域-音域解耦提升视频到音频生成的可控性与同步性，在多种任务中表现优异。
从合成到去除：基于物理的反射模拟与基于扩散的视频去反射
机构 * Xiaomi Inc.（小米公司） ； MiLM Plus
AI总结 该研究针对视频反射去除数据与模型缺失问题，提出闭环框架S2R，含基于物理的反射模拟、首个扩散式视频去反射模型及专用基准，实现了更优性能与更快推理。
Comments Project page: https://codingwzp.github.io/VideoDereflection_S2R
面向多语言机器翻译的开源大语言模型无参考后训练
机构 * Xiaomi Inc.（小米公司）
AI总结 该研究针对多语言机器翻译，以开源大语言模型为对象，采用GRPO算法结合无参考质量评估奖励，通过检查点插值得到MiLMMT-46-v1.0，其翻译质量优于SFT模型及多款开源基线，在无参考评分上领先于谷歌翻译等专有系统，还发布了相关模型与代码。
超越统一恢复：利用像素级多模态引导赋能全场景恢复
机构 * Xiaomi Corporation（小米公司）
AI总结 针对全场景图像恢复现有方法采用统一策略忽略区域退化差异的问题，提出MGN-AIR框架，通过像素级多模态引导实现更精细恢复，在多任务基准上性能显著优于现有方法。
Comments Accepted by ACMMM2026 as Oral Paper
保留更多细节：缓解真实世界图像超分辨率中的内容漂移
机构 * Xiaomi Corporation（小米公司）
AI总结 针对真实世界图像超分辨率中因低质量输入导致的内容漂移问题，提出双路径架构的新型单步扩散模型FSP-Diff，在标准基准上优于现有单步扩散方法。
Comments Accepted to ACM MM 2026. This is the author's accepted version. The definitive version is published in the Proceedings of ACM MM 2026
基于扩散模型图像生成先验的高质量曝光校正
机构 * Huazhong University of Science and Technology（华中科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； National University of Defense Technology（国防科技大学） ； Xiaomi Communications Company Ltd.（小米通讯有限公司）
AI总结 本文提出基于扩散先验的曝光校正框架DPEC，通过高效微调策略与联合交叉注意力模块，在多数据集上实现了优于现有方法的曝光校正性能。
Comments Accepted by IEEE Transactions on Multimedia (TMM)
UI-MOPD：用于持续GUI智能体学习的多平台策略蒸馏
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Xiaomi（小米） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Zhejiang University（浙江大学） ； Peng Cheng Laboratory（鹏城实验室）
AI总结 针对构建多平台GUI智能体的挑战，构建高质量数据集Uni-GUI，提出UI-MOPD方法，通过多教师策略蒸馏实现持续学习，动态选教师并转移行为先验，实验证明其能平衡跨平台能力保留与新平台适应。
Comments Technical report. 27 pages, 7 figures, 7 tables
学习操控一切：揭示在边界框引导策略中的数据扩展定律
机构 * Center for Intelligent Control and Telescience, Tsinghua Shenzhen International Graduate School（智能控制与遥科学中心，清华大学深圳国际研究生院） ； Beijing Xiaomi Robot Technology Co., Ltd（北京小米机器人科技有限公司）
AI总结 本文提出利用边界框指令提升语义操控的泛化能力，并揭示数据扩展定律，通过高效数据收集和解耦框架实现85%的成功率。
PROVE：一种用于视觉媒体的感知移除一致性基准
机构 * MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus）
AI总结 本文提出RC指标和PROVE-Bench基准，通过滑动窗口特征比较和分布跟踪提升图像和视频移除任务的评估精度，实现更符合人类感知的一致性衡量。
Comments Accepted by ACMMM 2026. Project Page: https://xiaomi-research.github.io/prove/
从概要到导向向量：用于个性化文本生成的全局稀疏先验和局部语义校准
机构 * NLPR, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室） ； Xiaomi（小米）
AI总结 研究个性化文本生成问题，提出无训练框架GLASS，通过全局-局部激活导向与稀疏先验实现。利用稀疏自动编码器提取全局先验、构建局部向量，推理时注入模型层。实验证明其性能优于基线，能更好分离风格与语义信息。
Comments Under review
GeoWorldAD：用于自动驾驶的几何世界行动模型
机构 * Nanyang Technological University（南洋理工大学） ； Xiaomi EV（小米汽车） ； Zhejiang University（浙江大学） ； Harvard University（哈佛大学）
AI总结 研究自动驾驶中安全高效规划决策问题，提出GeoWorldAD模型，通过在自我对齐3D空间中规划轨迹、用潜在未来几何标记预测场景演变，并逐步聚合多尺度几何线索，实验证明该模型在自动驾驶方面性能先进。
小米机器人1：利用超过10万小时的真实世界轨迹扩展视觉语言动作模型
机构 * Xiaomi Robotics（小米机器人）
AI总结 研究提出小米机器人1这一视觉语言动作模型，采用两阶段训练方法，预训练利用大量真实轨迹赋予模型能力，后训练使其与机器人实体及指令对齐。该模型在多基准测试中表现优异，能有效微调，建立新的最先进水平。
Comments Project page: https://robotics.xiaomi.com/xiaomi-robotics-1.html
利用TTS：借助利用层实现上下文感知的富有表现力的语音合成
机构 * Xiaomi Inc.（小米公司） ； Nanjing University（南京大学）
AI总结 研究针对语音助手富有表现力的语音合成中灵活风格控制的需求，提出Harness TTS轻量级控制层，通过封闭集提示 - 工具路由实现风格控制，实验证明其在路由和合成任务中表现出色，为语音助手表达控制提供实用方案。
TacRefineNet：用于边缘突出物体的目标条件触觉抓取优化
机构 * Xiaomi Robotics（小米机器人）
AI总结 研究针对边缘突出物体抓取对齐难的问题，提出TacRefineNet框架，利用连体策略网络预测手腕姿态增量，经交叉组合训练，在模拟样本上训练后部署到实际五指手，实验表明其在可见物体抓取上有一定成功率及误差控制，还有长期扰动校正等特点。
Comments 9 pages, 8 figures
基于开放大语言模型的多语言机器翻译模型与数据扩展
机构 * School of Informatics, Xiamen University, China（厦门大学信息学院） ； MiLM Plus, Xiaomi Inc., Beijing, China（小米公司）
AI总结 本文提出MiLMMT-46模型，通过模型和数据扩展提升多语言机器翻译性能，超越现有SOTA模型并接近Google Translate等强 proprietary 系统。
DSBench：用于评估外部和车内风险的综合基准测试
机构 * University of Science and Technology of China（中国科学技术大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Xiaomi EV（小米电动车） ； Fudan University（复旦大学） ； Xidian University（西安电子科技大学） ； South China University of Technology（华南理工大学） ； The University of Hong Kong（香港大学）
AI总结 针对视觉语言模型在安全关键场景适用性未充分探索的问题，引入DSBench综合基准测试，涵盖外部与车内风险，分多类别。评估发现模型在复杂情况下降，构建数据集微调可提升性能，推动自动驾驶技术发展，相关资源将公开。
视频流思考：VideoLLMs可以同时观看和思考
机构 * Huazhong University of Science and Technology（华中科技大学） ； MiLM Plus Xiaomi Inc.（小米公司）
AI总结 VST提出了一种视频流理解的新范式，通过在流式过程中激活推理，提高实时响应和理解能力，同时在多个基准测试中表现出更高的效率和泛化能力。
Comments Accepted by ECCV 2026, project page https://1ranguan.github.io/VST/
MindDrive: 一种通过在线强化学习实现自动驾驶的视觉-语言-动作模型
机构 * Huazhong University of Science and Technology（华中科技大学） ； Xiaomi EV（小米电动车）
AI总结 MindDrive通过在线强化学习实现自动驾驶中的视觉-语言-动作模型，结合决策专家和动作专家，提升复杂场景下的驾驶决策与探索效率。
Comments Accepted by ECCV 2026; Project Page: https://xiaomi-mlab.github.io/MindDrive/
二元扩散策略优化
机构 * Fundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（基础模型研究中心，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； Xiaomi EV（小米电动车）
AI总结 DIPOLE是一种新的RL算法，通过二元策略分解实现稳定可控的扩散策略优化，适用于复杂现实应用。
WorkDrive：自动驾驶的道路施工因果链
机构 * Peking University（北京大学） ； Xiaomi EV（小米电动汽车）
AI总结 针对自动驾驶视觉语言模型在道路施工区域的难题，提出WorkDrive框架，通过自动化多任务感知管道提取场景事实，经监督微调与强化学习，在ROADWork数据集上降低轨迹平均位移误差，实现渐进改进。
Groc-PO：用于真实多模态大语言模型的基于上下文的偏好优化
机构 * University of Science and Technology of China（中国科学技术大学） ； Xiaomi Corporation（小米公司） ； State Key Laboratory of Communication Content Cognition, People’s Daily Online（人民日报社传播内容认知国家重点实验室）
AI总结 研究针对多模态大语言模型的不真实问题，提出基于上下文的偏好优化框架Groc-PO，构建相关数据集，通过多阶段偏好样本捕捉基础上下文，加强上下文相关推理，减轻跨阶段错误传播，提升模型性能。
Comments Accepted by ACM-MM 2026
UESF-Bench：统一的具身寻找与跟随的基准测试与探究
机构 * Shandong University（山东大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Qilu University of Technology（齐鲁工业大学） ； Xiaomi Inc（小米公司） ； Beijing University Of Technology（北京工业大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 研究针对现有具身智能体语言引导人类跟随基准测试的局限，引入UESF-Bench基准，提出SeekFollow-VLA框架，可处理语义引导探索等任务，实验显示该框架在单人和多人环境中比基线有明显改进，为统一具身寻找与跟随建立基线。
PFAdapter：用于个性化联邦多模态大语言模型的分层LoRA分解
机构 * College of Future Information Technology, Fudan University（复旦大学未来信息技术学院） ； Division of Natural and Applied Sciences, Duke Kunshan University（昆山杜克大学自然科学与应用科学部） ； Department of Electrical and Computer Engineering, The University of British Columbia（英属哥伦比亚大学电气与计算机工程系） ； Ant Group（蚂蚁集团） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院） ； College of Intelligent Robotics and Advanced Manufacturing, Fudan University & Fysics AI（复旦大学智能机器人与先进制造学院及复肆智能科技（上海）有限公司） ； Xiaomi EV, Xiaomi Campus（小米汽车、小米园区） ； Information and Communications Technology Cluster, Singapore Institute of Technology (SIT)（新加坡理工学院信息通信技术集群） ； College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院） ； School of Computer Science and Informatics, Cardiff University（卡迪夫大学计算机科学与信息学院）
AI总结 针对分布式网络中联邦微调平衡全局知识与局部适应的挑战，提出PFAdapter框架，用分层LoRA分解将适配器参数分离，通过正交正则化和选择性聚合协议减少通信成本，实验证明该框架在多数据集上性能优于基线，为智能AI部署提供有效方案。
Comments submitted to IEEE TCCN
小米机器人-U0：基于世界基础模型的统一具身合成
机构 * Xiaomi Robotics（小米机器人）
AI总结 研究针对基础模型应用于具身场景受限问题，提出小米机器人-U0多模态自回归模型，将具身生成扩展为基础图像和视频生成的形式，联合优化多种生成任务，在多方面取得领先成果，证明基础世界模型可用于具身智能。
UMoE：在特定领域训练中解锁每个专家
机构 * Qwen Team（通义千问团队） ； DeepSeek-AI（渊亭科技） ； Thinking Machines Lab（思维机器实验室） ； LLM-Core Xiaomi（小米大语言模型核心团队）
AI总结 研究针对特定领域训练中专家池不合理问题，提出UMoE流程，先修剪低显著性专家，再扩展专家池，最后应用标准SFT，该方法在多架构、多领域及多基准测试中优于直接SFT，能转化冗余容量，提升训练效果。
用于快速和高保真虚拟试穿的结构-细节解耦自回归生成
机构 * Huazhong University of Science and Technology（华中科技大学） ； Wuhan Institute of Technology（武汉工程大学） ； Xiaomi EV（小米汽车）
AI总结 研究虚拟试穿问题，提出STAR-VTON框架，通过解耦潜在空间结构合成与像素空间细节恢复，结合匹配信息细化器，实现高效高保真虚拟试穿，其中VAR-VTON效率高，像素空间细化器能有效恢复细节。
Switch-Reasoner：通过强化学习在多任务混合中学习何时思考
机构 * Wuhan University（武汉大学） ； Xiaomi Inc（小米公司） ； Wuhan University of Technology（武汉理工大学） ； Nanyang Technological University（南洋理工大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 研究针对多模态大语言模型在异构多任务中“先思考后回答”范式的低效及训练后学习何时思考不稳定的问题，提出基于GRPO的Switch-Reasoner框架，通过双层调节机制实现推理模式自适应选择，实验验证其能减少不必要推理并平衡准确率与效率。
DeltaV：在统一大型多模态模型中通过视觉状态更新进行思考
机构 * Huazhong University of Science and Technology（华中科技大学） ； Xiaomi Inc.（小米公司）
AI总结 研究针对统一大型多模态模型全图像生成范式的问题，提出DeltaV模型，通过视觉更新避免冗余，引入TSIM路由器匹配令牌预算，构建StructCoT数据集，实验证明该范式能减少视觉令牌、提升推理能力，DeltaV - 2B性能优异。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈