Peking University（北京大学）

InternData-A1: Pioneering High-Fidelity Synthetic Data for Pre-training Generalist Policy

InternData-A1：开创高保真合成数据用于预训练通用策略

Yang Tian, Yuyin Yang, Yiman Xie, Zetao Cai, Xu Shi, Ning Gao, Hangxu Liu, Xuekun Jiang, Zherui Qiu, Feng Yuan, Yaping Li, Ping Wang, Junhao Cai, Jia Zeng, Hao Dong, Jiangmiao Pang

机构 * Shanghai AI Laboratory Peking University（北京大学上海人工智能实验室） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 InternData-A1通过高保真合成数据实现与最强$π$-数据集相当的VLA模型预训练性能，展示了大规模模拟在机器人任务中的潜力。

Bridging VLMs and Embodied Intelligence with Deliberate Practice Policy Optimization

通过刻意练习策略优化弥合视觉语言模型与具身智能之间的鸿沟

Yi Zhang, Che Liu, Xiancong Ren, Hanchu Ni, Yingji Zhang, Shuai Zhang, Zeyuan Ding, Jiayu Hu, Haozhe Shan, Junbo Qi, Yan Bai, Dengjie Li, Jiachen Luo, Yidong Wang, Yong Dai, Zenglin Xu, Bin Shen, Qifan Wang, Jian Tang, Xiaozhu Ju

机构 * X-Humanoid ； Imperial College London（帝国理工学院） ； Peking University（北京大学） ； University of Manchester（曼彻斯特大学） ； Westlake University（西湖大学） ； Fudan University（复旦大学） ； Waseda University（早稻田大学） ； Nvidia ； Queen Mary University of London（伦敦大学玛丽女王学院） ； Celonis AI ； Meta AI 纠错

AI总结 本文提出DPPO框架，通过监督微调与强化学习交替训练，提升具身智能系统在稀疏数据下的学习效率，并在性能和参数规模上取得显著优势。

Conan: Progressive Learning to Reason Like a Detective over Multi-Scale Visual Evidence

Conan：基于多尺度视觉证据的逐步学习以像侦探一样推理

Kun Ouyang, Yuanxin Liu, Linli Yao, Yishuo Cai, Hao Zhou, Jie Zhou, Fandong Meng, Xu Sun

机构 * State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； WeChat AI, Tencent Inc., China（微信AI，腾讯公司，中国） 纠错

AI总结 Conan通过多阶段渐进冷启动策略和AIR RLVR框架，实现证据基础的多步视频推理，超越基线模型，达到最先进的性能。

EvoVLA: Self-Evolving Vision-Language-Action Model

EvoVLA：自进化视觉-语言-动作模型

Zeting Liu, Zida Yang, Zeyu Zhang, Hao Tang

机构 * Peking University（北京大学） 纠错

AI总结 EvoVLA通过自监督框架解决VLA模型的阶段幻觉问题，提升任务成功率和样本效率，实现有效的仿真到现实转移。

Layer-wise Noise Guided Selective Wavelet Reconstruction for Robust Medical Image Segmentation

分层噪声引导的选性小波重建用于鲁棒医学图像分割

Yuting Lu, Ziliang Wang, Weixin Xu, Wei Zhang, Yongqiang Zhao, Yang Yu, Xiaohong Zhang

机构 * Big Data and Software College, Chongqing University（重庆大学大数据与软件学院） ； Office of Scientific Research, Peking University（北京大学科研办公室） ； Key Lab of High Confidence Software Technology, Ministry of Education (Peking University)（教育部高可信软件技术重点实验室（北京大学）） ； School of Computer Science, Peking University（北京大学计算机学院） ； Department of Cardiology and Institute of Vascular Medicine, Peking University Third Hospital（北京大学第三医院心内科和血管医学研究院） 纠错

AI总结 LNG-SWR通过分层噪声引导选性小波重建提升医学图像分割的鲁棒性，无需对抗训练也能增强模型在对抗攻击下的稳定性。

PushingBots: Collaborative Pushing via Neural Accelerated Combinatorial Hybrid Optimization

PushingBots: 通过神经加速的组合混合优化实现协作推搡

Zili Tang, Ying Zhang, Meng Guo

机构 * School of Advanced Manufacturing and Robotics, Peking University（先进制造与机器人学院，北京大学） 纠错

AI总结 PushingBots通过神经加速的组合混合优化实现机器人协作推搡，解决复杂环境中多物体精准推运问题。

Comments 20 pages, 24 figures. Accepted to IEEE Transactions on Robotics (T-RO), 2025

Evaluating Multimodal Large Language Models with Daily Composite Tasks in Home Environments

在家庭环境中评估多模态大语言模型的日常复合任务

Zhenliang Zhang, Yuxi Wang, Hongzhao Xie, Shiyun Zhao, Mingyuan Liu, Yujie Lu, Xinyi He, Zhenku Cheng, Yujia Peng

机构 * State Key Laboratory of General Artificial Intelligence, Beijing Institute for General Artificial Intelligence（通用人工智能国家重点实验室、北京通用人工智能研究院） ； School of Psychological and Cognitive Sciences and Beijing Key Laboratory of Behavior and Mental Health, Key Laboratory of Machine Perception (Ministry of Education), Peking University（心理与认知科学学院及北京行为与心理健康重点实验室、机器感知重点实验室（教育部）） ； School of Intelligence Science and Technology, Peking University（智能科学与技术学院） 纠错

AI总结 本研究在家庭环境中评估了多模态大语言模型在日常复合任务中的表现，发现其在物体理解、空间智能和社会活动领域存在显著差距，为具身MLLMs的发展提供了初步评估框架。

MoE-CAP: Benchmarking Cost, Accuracy and Performance of Sparse Mixture-of-Experts Systems

MoE-CAP：稀疏专家混合系统成本、准确率和性能的基准测试

Yinsicheng Jiang, Yao Fu, Yeqi Huang, Ping Nie, Zhan Lu, Leyang Xue, Congjie He, Man-Kit Sit, Jilong Xue, Li Dong, Ziming Miao, Dayou Du, Tairan Xu, Kai Zou, Edoardo Ponti, Luo Mai

机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research（微软研究院） ； Peking University（北京大学） ； NVIDIA Co-leading authors（NVIDIA） 纠错

AI总结 MoE-CAP通过引入CAP雷达图和稀疏性能指标，系统性地评估稀疏混合专家系统在成本、准确率和性能之间的权衡。