自动驾驶

TerraTransfer++ 自博弈端到端规划器，NAVSIM navhard/navtest 达 59.4/95.5

展示一种无需人工演示的端到端自动驾驶训练范式，用自博弈策略蒸馏出轨迹教师，显著降低数据成本并超越现有方法。

DriveMind 将 Bench2Drive DS 从 68.50 提升至 81.37，SR 达 54.09%

以多假设持续更新替代逐帧从零推理，在模糊交互场景提升显著，对闭环驾驶决策设计有直接借鉴价值。

Foundation4D 发布统一感知重建模型，1,253 片段基准多项指标最佳

统一前馈模型同时覆盖检测、几何、占用与重建，并公开标注基准，对自动驾驶感知与仿真工程有直接参考价值。

NeuralSRender 提升仿真真实感，AP50 35.1→40.6

为自动驾驶仿真到真实视频翻译提供低开销开源方案，可直接提升检测与分割，适合数据闭环。

QualiDrive 沿驾驶质量轴做扩散，NAVSIM v2 达 92.74 EPDMS 最优

把扩散生成重构成场景特定的质量阶梯，而不是沿用噪声轴，说明条件设计比更换 backbone 更能提升规划可靠性。

SAGE 在 2,306 个真实片段上将平均/最终位移误差降 8.3%/12.0%

将 VLM 轨迹作为几何候选偏好，并融合 MUTCD 安全约束，可改善自动驾驶工作区通行路径选择与合规性。

EmbodiedMidtrain 用接近度筛选构建 1M 数据中训练 VLM 以适配 VLA

刻画 VLM 与 VLA 数据分布鸿沟并给出可复用的中训练数据引擎与数据集，直接改善 VLA 下游微调起点。

提出 LAST-V2X，用 LLM 自适应生成 V2X 安全测试场景并提升故障发现

将 LLM 用于 V2X 通信故障场景生成与精化，可提升自动驾驶安全测试效率与故障复现能力。

GeoMem-VLA 内化 3D 理解为时序记忆，LIBERO 98.9%，真实任务 78.0%

为 VLA 提供免 3D 重建、免教师模型的几何记忆方案，推理成本低，具身智能工程可直接借鉴

MambaAct 用 Mamba 替换 $\pi 0.5$ 的动作专家，降低 flow-matching VLA 推理成本

针对 flow-matching VLA 反复去噪的推理瓶颈，用 Mamba 动作混合器替代 Transformer 专家，直接关系实时机器人控制部署。

反事实干预发现驾驶 VLA 推理与行为 弱耦合，限制可解释性

对依赖 VLA 文字推理做安全解释的部署提出警示：文本 reasoning 未必忠实反映轨迹原因，需要加强因果评测与透明度验证。

R2Sem2R 单条人类视频生成 2000+ 机器人演示，VLA 比肩遥操作

具身智能数据瓶颈的新解法：单视频扩展到类别级数千演示，大幅降低 VLA 数据成本。