VLA / 视觉-语言-动作模型

Evo-1: Lightweight Vision-Language-Action Model with Preserved Semantic Alignment

Evo-1：轻量级视觉-语言-动作模型，保持语义对齐

Tao Lin, Yilei Zhong, Yuxin Du, Jingjing Zhang, Jiting Liu, Yinxinyu Chen, Encheng Gu, Ziyan Liu, Hongyi Cai, Yanwen Zou, Lixing Zou, Zhaoye Zhou, Gen Li, Bo Zhao

机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； EvoMind Tech（EvoMind科技） ； IAAR-Shanghai（IAAR-上海） ； SII ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract)；分类 cs.RO、cs.CV

AI总结 Evo-1是一种轻量级的视觉-语言-动作模型，通过减少计算并保持语义对齐，实现了高效的部署和强大的性能。

Comments Github: https://github.com/MINT-SJTU/Evo-1

Real-Time Execution of Action Chunking Flow Policies

实时执行动作分块流策略

Kevin Black, Manuel Y. Galliker, Sergey Levine

机构 * Physical Intelligence（物理智能） ； UC Berkeley（伯克利大学） 纠错

专题命中 VLA模型 ：VLA(abstract)；action model(abstract)；分类 cs.RO、cs.AI、cs.LG

AI总结 本文提出实时分块（RTC）方法，通过在执行当前动作分块的同时生成下一个分块，实现动作分块策略的实时异步执行，提升任务吞吐量和精确任务成功率。

Comments published in NeurIPS 2025

SoREX: Towards Self-Explainable Social Recommendation with Relevant Ego-Path Extraction

SoREX：面向具有相关自我路径提取的自解释社交推荐

Hanze Guo, Yijun Ma, Xiao Zhou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学 Gallagher人工智能学院） ； Beijing Key Laboratory of Research on Large Models（北京大模型研究关键实验室） ； Engineering Research Center of Next-Generation Intelligent Search（下一代智能搜索工程研究中心） 纠错

专题命中 VLA模型 ：action model(abstract)；分类 cs.AI

AI总结 SoREX通过引入自解释的GNN框架，利用相关自我路径提取提升社交推荐的预测准确性与解释能力。

Comments ACM Transactions on Information Systems (TOIS), 2025. Online AM: 17 Nov 2025. DOI: 10.1145/3777374. Code: https://github.com/antman9914/SoREX

Journal ref ACM Transactions on Information Systems (TOIS), 2025

An output scaling layer boosts deep neural networks for multiscale ODE systems

输出缩放层提升深度神经网络用于多尺度ODE系统

Yuxiao Yi, Weizong Wang, Tianhan Zhang, Zhi-Qin John Xu

专题命中 VLA模型 ：action model(abstract)

AI总结 本文提出GBCT方法，通过非线性缩放缓解多尺度ODE系统的挑战，显著提升深度神经网络的预测精度和训练效率。

Comments 27 pages, 13 figures