多模态大模型

InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation

InternVLA-A1：统一理解、生成和行动以实现机器人操作

Junhao Cai, Zetao Cai, Jiafei Cao, Yilun Chen, Zeyu He, Lei Jiang, Hang Li, Hengjie Li, Yang Li, Yufei Liu, Yanan Lu, Qi Lv, Haoxiang Ma, Jiangmiao Pang, Yu Qiao, Zherui Qiu, Yanqing Shen, Xu Shi, Yang Tian, Bolun Wang, Hanqing Wang, Jiaheng Wang, Tai Wang, Xueyuan Wei, Chao Wu, Yiman Xie, Boyang Xing, Yuqiang Yang, Yuyin Yang, Qiaojun Yu, Feng Yuan, Jia Zeng, Jingjing Zhang, Shenghan Zhang, Shi Zhang, Zhuoma Zhaxi, Bowen Zhou, Yuanzhen Zhou, Yunsong Zhou, Hongrui Zhu, Yangkun Zhu, Yuchen Zhu

机构 * InternVLA-A1 Team（InternVLA-A1团队） 纠错

专题命中 视频多模态 ：multimodal(abstract)

AI总结 InternVLA-A1通过统一的Transformer架构，结合语义理解和动态预测能力，提升了机器人操作任务的性能。

Comments Homepage: https://internrobotics.github.io/internvla-a1.github.io/

Revealing Process Structure in Urban Mobility Networks

揭示城市交通网络中的过程结构

Khristina Filonchik, Jose Pedro Pinto, Flávio L. Pinheiro, Fernando Bacao

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本文通过过程挖掘技术分析城市交通数据，揭示交通行为的结构化特征，并提出以对象为中心的模型以提升多模式交通规划的效率。

Comments This paper was presented at the Fourteenth International Conference on Complex Networks & Their Applications (Complex Networks 2025), Binghamton, USA, and appears in the conference proceedings

UniShare: A Unified Framework for Joint Video and Receiver Recommendation in Social Sharing

UniShare: 一种用于社交分享中视频和接收者推荐的统一框架

Caimeng Wang, Li Chong, Dongxu Liu, Xu Min, Jianhui Bu

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 UniShare通过统一框架联合预测视频和接收者推荐，利用增强的表示学习和联合训练范式提升分享效果，实现在快手平台上的显著性能提升。

TwinWeaver: An LLM-Based Foundation Model Framework for Pan-Cancer Digital Twins

TwinWeaver: 一种基于大语言模型的跨癌症数字双胞胎基础模型框架

Nikita Makarov, Maria Bordukova, Lena Voith von Voithenberg, Estrella Pivel-Villanueva, Sabrina Mielke, Jonathan Wickes, Hanchen Wang, Mingyu Derek Ma, Keunwoo Choi, Kyunghyun Cho, Stephen Ra, Raul Rodriguez-Esteban, Fabian Schmich, Michael Menden

机构 * Computational Sciences Center of Excellence, Roche, Penzberg, Germany（罗氏计算科学卓越中心） ； Computational Health Center, Helmholtz Munich, Munich, Germany（海德堡慕尼黑计算健康中心） ； Department of Biology, Ludwig Maximilian University of Munich, Munich, Germany（慕尼黑路易斯·马克西米利安大学生物学系） ； Early Development Oncology, Roche Innovation Center Zurich, Roche, Schlieren, Switzerland（罗氏苏黎世创新中心早期肿瘤学） ； Computational Sciences Center of Excellence, Genentech, New York City, USA（基因泰克计算科学卓越中心） ； Computational Sciences Center of Excellence, Genentech, South San Francisco, USA（基因泰克计算科学卓越中心） ； Center for Data Science, New York University, New York City, USA（纽约大学数据科学中心） ； Department of Computer Science, Stanford University, Stanford, CA, USA（斯坦福大学计算机科学系） ； Computational Sciences Center of Excellence, Roche, Basel, Switzerland（罗氏巴塞尔计算科学卓越中心） ； Department of Biochemistry（生物化学系） ； Biotechnology Institute, The University of Melbourne, Melbourne, Australia（墨尔本大学生物技术研究所） 纠错

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 TwinWeaver通过基于大语言模型的框架，构建跨癌症数字双胞胎，提升临床事件预测与风险分层精度。

A Collaborative Crowdsourcing Method for Designing External Interfaces for Autonomous Vehicles

为自动驾驶车辆设计外部接口的协作众包方法

Ronald Cumbal, Marcus Göransson, Alexandros Rouchitsas, Didem Gürdür Broo, Ginevra Castellano

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本文提出一种协作众包方法，通过结合大众创意、结构化原则和专家反馈，提升自动驾驶车辆接口设计的可扩展性和用户体验。

Comments Paper accepted for publication at the 2026 CHI Conference on Human Factors in Computing Systems (CHI'26), April 13-17, 2026, Barcelona, Spain

Pareto-guided Pipeline for Distilling Featherweight AI Agents in Mobile MOBA Games

基于帕累托最优的流水线：在移动MOBA游戏中蒸馏轻量级AI代理

Xionghui Yang, Bozhou Chen, Yunlong Lu, Yongyi Wang, Lingfeng Li, Lanxiao Huang, Lin Liu, Wenjun Wang, Meng Meng, Xia Lin, Wenxin Li

机构 * School of Computer Science Peking University Beijing China（计算机科学系 首都大学 北京 中国） ； TiMi L1 Studio Tencent Chengdu China（TiMi L1工作室 腾讯 成都 中国） ； Peking University（首都大学） ； Tencent（腾讯） 纠错

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 本文提出基于帕累托最优的流水线，设计高效学生架构搜索空间，在移动MOBA游戏中实现轻量级AI代理的蒸馏，提升推断速度与能效。

Counting How the Seconds Count: Understanding Algorithm-User Interplay in TikTok via ML-driven Analysis of Video Content

秒数如何计数：通过机器学习分析视频内容理解TikTok上的算法-用户互动

Maleeha Masood, Shreya Kannan, Zikun Liu, Deepak Vasisht, Indranil Gupta

专题命中 视频多模态 ：multimodal(abstract)

AI总结 通过机器学习分析TikTok视频内容，研究算法与用户互动的时间演变及用户体验影响。

Comments To contact, email maleeha2@illinois.edu

Detecting Information Channels in Congressional Trading via Temporal Graph Learning

通过时序图学习检测国会交易中的信息通道

Benjamin Pham Roodman, Eugene Sy, J. Xavier Atero Vázquez, Yu-Shiang Huang, Che Lin, Chaun-Ju Wang

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本文提出利用时序图学习方法，通过分析国会与企业之间的动态关系，识别出在股票交易中可能具备信息优势的通道。

Invisible Users in Digital Health: A Scoping Review of Digital Interventions to Promote Physical Activity Among Culturally and Linguistically Diverse Women

数字健康中的隐形用户：一项关于促进文化及语言多样性女性身体活动的数字干预措施的综述

Yilin Ke, Yun Suen Pai, Burkhard C. Wuensche, Angus Donald Campbell, Mairi Gunn

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 本研究提出文化嵌入互动框架，通过整合文化适应与长期策略，解决数字健康干预在文化多样性女性中持续参与度不足的问题。

BiTimeCrossNet: Time-Aware Self-Supervised Learning for Pediatric Sleep

BiTimeCrossNet：面向儿童睡眠的时序自监督学习

Saurav Raj Pandey, Harlin Lee

机构 * Department of Computer Science, UNC Chapel Hill（UNC夏洛特分校计算机科学系） ； School of Data Science and Society, UNC Chapel Hill（UNC夏洛特分校数据科学与社会学院） 纠错

专题命中 视频多模态 ：multimodal(abstract)

AI总结 BiTimeCrossNet通过引入时间信息和交叉注意力机制，在儿童睡眠分析中实现更高效的多模态自监督学习。

PRISM: Performer RS-IMLE for Single-pass Multisensory Imitation Learning

PRISM：基于单次传递的RS-IMLE单次传递多感官模仿学习

Amisha Bhaskar, Pratap Tokekar, Stefano Di Cairano, Alexander Schperberg

专题命中 视频多模态 ：multimodal(abstract)

AI总结 PRISM通过单次传递的RS-IMLE方法，实现高效的多感官模仿学习，优于扩散策略，提升成功率并减少轨迹 jerk。

Comments 10 pages main text and 4 figures, and 11 pages appendix and 10 figures, total 21 pages and 14 figures

Neurophysiological effects of museum modalities on emotional engagement with real artworks

博物馆模态对真实艺术品情感参与的神经生理效应

Chen Feng, Sébastien Lugan, Karine Lasaracina, Midori Sugaya, Benoît Macq

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本研究通过EEG分析发现，不同数字解释性内容模态对艺术欣赏的情感参与产生不同影响，为博物馆优化解释媒体提供了新方向。

Comments 7 pages, 4 figures - \c{opyright}IEEE EmotionSense 2026/PerCom 2026

PolicyFlow: Policy Optimization with Continuous Normalizing Flow in Reinforcement Learning

PolicyFlow: 在强化学习中使用连续归一化流进行策略优化

Shunpeng Yang, Ben Liu, Hua Chen

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Southern University of Science and Technology（南方科技大学） ； Zhejiang University-University of Illinois Urbana-Champaign Institute（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合研究所） ； LimX Dynamics 纠错

专题命中 视频多模态 ：multimodal(abstract)

AI总结 PolicyFlow是一种基于连续归一化流的在线强化学习算法，通过减少似然计算开销实现稳定训练，并通过布朗正则化器促进多样化行为。

Comments Submitted to ICLR 2026

PersonaAct: Simulating Short-Video Users with Personalized Agents for Counterfactual Filter Bubble Auditing

PersonaAct: 通过个性化代理模拟短视频用户以进行反事实过滤气泡审计

Shilong Zhao, Qinggang Yang, Zhiyi Yin, Xiaoshi Wang, Zhenxing Chen, Du Su, Xueqi Cheng

专题命中 视频多模态 ：multimodal(abstract)

AI总结 PersonaAct通过个性化代理模拟短视频用户，提升过滤气泡审计的保真度和深度，揭示内容压缩现象并释放首个开源数据集。

Deep Semi-Supervised Survival Analysis for Predicting Cancer Prognosis

深度半监督生存分析用于预测癌症预后

Anchen Sun, Zhibin Chen, Xiaodong Cai

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 本文提出了一种基于深度半监督学习的Cox-MT模型，利用标记和未标记数据提升癌症预后预测的准确性。

From motifs to Lévy flights: Modeling urban mobility in Bogotá's public transport system

从模式到莱维飞行：对波哥大公共交通系统的机动性建模

Juan F. Alayón-Martínez, Alejandro P. Riascos

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本文通过分析波哥大公共交通系统的通行记录，发现其移动模式符合莱维飞行动力学，提出了一种基于用户记录的复杂交通系统分析新方法。

Comments 20 pages, 7 figures

Journal ref J. Stat. Mech. (2026) 013403

Close-Fitting Dressing Assistance Based on State Estimation of Feet and Garments with Semantic-based Visual Attention

基于足部与衣物状态估计的近身穿衣辅助

Takuma Tsukakoshi, Tamon Miyake, Tetsuya Ogata, Yushi Wang, Takumi Akaishi, Shigeki Sugano

机构 * Creative Science and Engineering Faculty, Waseda Univ.（早稻田大学创意科学与工程学部） ； Future Robotics Organization, Waseda Univ.（早稻田大学未来机器人组织） ； Faculty of Science and Engineering, Waseda Univ.（早稻田大学科学与工程学部） ； The National Institute of Advanced Science and Technology（日本国家先进科学与技术研究院） 纠错

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 本研究提出基于语义信息的穿衣辅助方法，通过多模态数据融合实现对足部和衣物状态的精准估计，成功帮助10名受试者穿袜子，优于其他方法。

Comments Accepted at RA-L, 2026

A Computationally Efficient Maximum A Posteriori Sequence Estimation via Stein Variational Inference

通过Stein变分推断实现计算高效的最大后验序列估计

Min-Won Seo, Solmaz S. Kia

机构 * Department of Mechanical and Aerospace Engineering, University of California, Irvine（加州大学尔湾分校机械与航空航天工程系） 纠错

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本文提出Stein-MAP-Seq方法，通过整合Stein变分梯度下降与动态规划算法，实现高效多模态状态估计。

Comments 20 pages

Multi-Layered Reasoning from a Single Viewpoint for Learning See-Through Grasping

从单一视角进行多层推理以学习透视抓取

Fang Wan, Chaoyang Song

机构 * Southern University of Science and Technology（南方科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本研究提出了一种基于视觉的透视感知架构，通过单一视觉输入实现多模态感知，无需外部摄像头或力传感器即可学习反应抓取。

Comments 39 pages, 13 figures, 2 tables, for supplementary videos, see https://bionicdl.ancorasir.com/?p=1658, for opensourced codes, see https://github.com/ancorasir/SeeThruFinger

Integrated nano electro-optomechanical spiking neuron

集成的纳米电光机械脉冲神经元

Gregorio Beltramo, Róbert Horváth, Grégoire Beaudoin, Isabelle Sagnes, Sylvain Barbay, Rémy Braive

专题命中 视频多模态 ：multimodal(abstract)

AI总结 该研究展示了一种集成纳米电光机械脉冲神经元，实现高效数据处理与多模功能，适用于低延迟边缘计算和脑启发光学机械计算。

Comments 4 figures

StellarF: A Physics-Informed LoRA Framework for Stellar Flare Forecasting with Historical & Statistical Data

StellarF：一种结合物理知识的LoRA框架，用于利用历史和统计数据进行恒星耀斑预测

Tianyu Su, Zhiqiang Zou, Qingyu Lu, Feng Zhang, Ali Luo, Xiao Kong, Min Li

机构 * School of Computer Science, Nanjing University of Posts and Telecommunications（南京邮电大学计算机科学学院） ； Jiangsu Key Laboratory of Big Data Security and Intelligent Processing（江苏大数据安全与智能处理重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； CAS Key Laboratory of Optical Astronomy, National Astronomical Observatories（中国科学院国家天文台光学天文重点实验室） ； School of Astronomy and Space Science, University of Chinese Academy of Sciences（中国科学院大学天文与空间科学学院） 纠错

专题命中 视频多模态 ：multimodal(abstract)

AI总结 StellarF通过结合物理知识和LoRA框架，利用历史和统计数据提升恒星耀斑预测的准确性与物理可解释性。

Comments 12 pages, 8 figures (5 main, 3 appendix), 7 tables (2 main, 5 appendix)

Sentiment Analysis on Movie Reviews: A Deep Dive into Modern Techniques and Open Challenges

对电影评论的情感分析：深入探讨现代技术和开放挑战

Agnivo Gosai, Shuvodeep De, Karun Thankachan, Ramadan A. ZeinEldin, Ali W. Mohamed, Seyed J. Mousavirad

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本文综述了电影评论情感分析的现代技术和挑战，涵盖从传统方法到深度学习模型的发展，并探讨了多模态分析、可解释性及未来研究方向。

Comments 31 Pages; 1 figure; 108 references; paper under review in APIN

FlyCo: Foundation Model-Empowered Drones for Autonomous 3D Structure Scanning in Open-World Environments

FlyCo：基于基础模型的无人机自主3D结构扫描系统

Chen Feng, Guiyong Zheng, Tengkai Zhuang, Yongqian Wu, Fangzhan He, Haojia Li, Juepeng Zheng, Shaojie Shen, Boyu Zhou

机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） ； School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院） ； Department of Mechanical and Energy Engineering, Southern University of Science and Technology（南方科技大学机械与能源工程系） ； Differential Robotics, Hangzhou, China（杭州差分机器人） 纠错

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 FlyCo通过整合基础模型实现无人机自主3D扫描，提升开放世界环境下的目标定位与预测效率。

Comments 34 pages, 24 figures, 9 tables. Video: https://www.youtube.com/playlist?list=PLqjZjnqsCyl40rw3y15Yzc7Mdo-z1y2j8

GW200105: A detailed study of eccentricity in the neutron star-black hole binary

GW200105：关于中子星-黑洞双星系统偏心率的详细研究

Aasim Jan, Bing-Jyun Tsao, Richard O'Shaughnessy, Deirdre Shoemaker, Pablo Laguna

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本研究利用先进波形模型对GW200105事件进行详细分析，发现信号中存在偏心率，且与之前研究结果存在差异。

Comments 5 Figures, 3 Tables, update to match the accepted PRD version

M-SEVIQ: A Multi-band Stereo Event Visual-Inertial Quadruped-based Dataset for Perception under Rapid Motion and Challenging Illumination

M-SEVIQ：一种多波段立体事件视觉-惯性四足机器人数据集，用于快速运动和恶劣光照下的感知

Jingcheng Cao, Chaoran Xiong, Jianmin Song, Shang Yan, Jiachen Liu, Ling Pei

机构 * Shanghai Key Laboratory of Navigation & Location Based Services, Shanghai Jiao Tong University（上海导航与基于位置的服务关键实验室，上海交通大学） ； Beijing Aerospace Microsystem and Information Technology Research Institute（北京航天微系统与信息技术研究所） 纠错

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 M-SEVIQ是一种多波段立体事件视觉-惯性四足机器人数据集，用于快速运动和恶劣光照下的感知研究。

Comments 6 pages, 7 figures

Vector Search for the Future: From Memory-Resident, Static Heterogeneous Storage, to Cloud-Native Architectures

向未来迈进的向量搜索：从内存驻留、静态异构存储到云原生架构

Yitong Song, Xuanhe Zhou, Christian S. Jensen, Jianliang Xu

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本文从存储架构角度回顾了向量搜索技术的演变，涵盖内存驻留方法、异构存储技术及云原生系统的未来发展。

Comments Accepted as a tutorial at SIGMOD 2026

Traffic-Aware Optimal Taxi Placement Using Graph Neural Network-Based Reinforcement Learning

基于图神经网络强化学习的交通感知出租车最优布置

Sonia Khetarpaul, P Y Sharan

专题命中 视频多模态 ：multi-modal(abstract)

AI总结 本文提出基于图神经网络强化学习的交通感知出租车最优布置方法，通过实时整合交通数据优化出租车热点，有效减少乘客等待时间和司机行驶距离。

Extreme nonlinear optics in optical fibers

光学纤维中的极端非线性光学

Mario Ferraro, Bertrand Kibler, Pierre Béjot, Frédéric Gérome, Benoit Debord, Fetah Benabid, Fabio Mangini, Stefan Wabnitz

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本文研究了光学纤维中极端非线性光学现象，探讨了等离子体生成、超连续谱展宽及多模脉冲传播等核心方法，展示了其在通信和量子科学中的应用潜力。

Cogniscope: Modeling Social Media Interactions as Digital Biomarkers for Early Detection of Cognitive Decline

Cogniscope: 将社交媒体互动建模为数字生物标记物以早期检测认知衰退

Ananya Drishti, Mahfuza Farooque

专题命中 视频多模态 ：multimodal(abstract)

AI总结 Cogniscope通过模拟社交媒体互动数据，研究认知健康的数字生物标记物，提供可控测试平台以评估早期认知衰退检测模型。

Volatile Organic Compounds for Stress Detection: A Scoping Review and Exploratory Feasibility Study with Low-Cost Sensors

挥发性有机化合物用于压力检测：一项综述和探索可行性研究，结合低成本传感器

Nicolai Plintz, Marcus Vetter, Dirk Ifenthaler

专题命中 视频多模态 ：multimodal(abstract)

AI总结 本文通过综述和探索性研究，证明低成本传感器可捕捉压力相关的VOC模式，揭示了VOC在情绪识别中的应用潜力及实施挑战。

Comments 13 pages, 5 tables, 1 figure