https://xuquant.com/tags/paper-read/Recent content in Paper-Read on Xu'Bloghttps://xuquant.com/og-default.pnghttps://xuquant.com/og-default.pngHugo -- 0.152.2zhThu, 28 May 2026 20:00:00 +0800https://xuquant.com/posts/foundation-models/vla-geometric-fusion-three-architectures/Thu, 28 May 2026 20:00:00 +0800https://xuquant.com/posts/foundation-models/vla-geometric-fusion-three-architectures/NVIDIA + MIT + UT Austin 团队（arXiv:2605.24642）把 GR00T-N1.5 (manipulation VLA) 跟 VGGT (geometric foundation model) 拼起来，做了 Early Fusion / Late Fusion / Spatial Forcing 三种几何注入架构的 controlled 对照。主结果是一个负结果——standard finetune 下三种几何 VLA 都不显著超过 GR00T baseline。但 ablation 链里的几条判断（don't unfreeze LLM、probe 改进不等于 task 改进、mid-training 比架构选择影响更大、gate 近零起步）跟 production AD VLA 的工程决策直接相关。https://xuquant.com/posts/foundation-models/hif-vla-codec-motion-temporal-memory/Wed, 27 May 2026 22:00:00 +0800https://xuquant.com/posts/foundation-models/hif-vla-codec-motion-temporal-memory/CVPR 2026 的 HiF-VLA (arXiv:2512.09928) 在 OpenVLA 基础上加了一组从 MPEG-4 编码副产物里抠出来的 motion vectors，前向预测未来 motion，反向用历史 motion 通过 AdaLN 调制动作流。本文照着 paper 和 motion_layers/ 代码走一遍，覆盖表征选择、Hindsight Encoder 的真实代码维度、Joint Expert 的 AdaLN 调制、Table 3 延迟分解，以及几个 paper 没讲透的点。https://xuquant.com/posts/foundation-models/reconvla-gaze-crop-implicit-grounding/Mon, 27 Oct 2025 22:00:00 +0800https://xuquant.com/posts/foundation-models/reconvla-gaze-crop-implicit-grounding/OpenHelix 的 ReconVLA (arXiv:2508.10333) 在 OpenVLA 风格的 backbone 后挂一个 3 层 DiT，用 gaze-crop 的 VAE-latent 重建当辅助监督，把 VLA 的注意力锚到目标物体上。本文对照 paper 与开源 code 读一遍，包含 paper 没强调的工程细节，以及几个 paper 没回答的问题——recon-on/off ablation 缺位，'隐式接地' 在训练 supervision 上其实依赖 offline YOLO bbox。