Agency for Science, Technology and Research

视觉-语言-动作策略每步要处理数百个视觉token，推理延迟高。APS-VLA在冻结主干的前提下，用轻量评分器按当前观测、指令和本体感受挑选token，训练时同时要求保留的表示复现策略输出并预测后续视觉变化。在LIBERO上保留128个token时，平均成功率95.75%，比未剪枝的97.00%低1.25个百分点，推理延迟降到68.75毫秒。

视觉-语言-动作策略每步要处理数百个视觉token，推理延迟高。APS-VLA在冻结主干的前提下，用轻量评分器按当前观测、指令和本体感受挑选token，训练时同时要求保留的表示复现策略输出并预测后续视觉变化。在LIBERO上保留128个token时，平均成功率95.75%，比未剪枝的97.00%低1.25个百分点，推理延迟降到68.75毫秒。

跨模态视网膜图像刚性配准此前多依赖“先分割血管、再检测关键点”的两步流程，配准质量受分割精度牵制。MICRO基准汇集1,365对覆盖术前、术中、术后的跨模态视网膜图像对，并配以专家标注的控制点。基于该基准的一步式OFS2Reg用频域结构保持描述子和跨模态血管结构相似性学习直接构造关键点拓扑约束，在MICRO-pre子集上取得0.784的成功率与5.08像素的RMSE。

跨模态视网膜图像刚性配准此前多依赖“先分割血管、再检测关键点”的两步流程，配准质量受分割精度牵制。MICRO基准汇集1,365对覆盖术前、术中、术后的跨模态视网膜图像对，并配以专家标注的控制点。基于该基准的一步式OFS2Reg用频域结构保持描述子和跨模态血管结构相似性学习直接构造关键点拓扑约束，在MICRO-pre子集上取得0.784的成功率与5.08像素的RMSE。

医学影像基础模型长期在“通用”与“像素级精确”之间取舍，且多数只输出结论、不交代依据。EVLF-FM 把疾病级与像素级两路视觉特征同时送入语言模型，先做监督微调，再用带可验证奖励的强化学习对齐推理与定位，覆盖皮肤科、肝病、眼科、病理、呼吸与放射六个专科、10 种成像模态。内部诊断验证中其平均准确率 0.895，为所比模型中最高；在 9 种模态的医学视觉定位上平均 Acc@0.5 为 0.842。

医学影像基础模型长期在“通用”与“像素级精确”之间取舍，且多数只输出结论、不交代依据。EVLF-FM 把疾病级与像素级两路视觉特征同时送入语言模型，先做监督微调，再用带可验证奖励的强化学习对齐推理与定位，覆盖皮肤科、肝病、眼科、病理、呼吸与放射六个专科、10 种成像模态。内部诊断验证中其平均准确率 0.895，为所比模型中最高；在 9 种模态的医学视觉定位上平均 Acc@0.5 为 0.842。

作者提出 Ego2World 基准，把带标注的烹饪活动编译成部分可观测下的可执行规划环境，将源步骤与物体链接到符号动作规则、持久世界状态和显式任务条件，并分开维护世界状态与智能体信念；在 105 项任务上评估六种规划器发现被接受的操作常未达成任务目标，执行轨迹与条件检查可区分中断、部分达成与执行完成但未达成目标；另一项配对 Qwen-Plus 研究中，持久信念使动作有效性提高 4.15 个百分点、视觉查询尝试减少 90.27%，但 token 用量更高且未检测到完成度提升。

作者提出 Ego2World 基准，把带标注的烹饪活动编译成部分可观测下的可执行规划环境，将源步骤与物体链接到符号动作规则、持久世界状态和显式任务条件，并分开维护世界状态与智能体信念；在 105 项任务上评估六种规划器发现被接受的操作常未达成任务目标，执行轨迹与条件检查可区分中断、部分达成与执行完成但未达成目标；另一项配对 Qwen-Plus 研究中，持久信念使动作有效性提高 4.15 个百分点、视觉查询尝试减少 90.27%，但 token 用量更高且未检测到完成度提升。