ReImaGin：用图像生成模型为多模态 LLM 做视觉推理
Hugging Face 论文页介绍 ReImaGin，它把图像生成模型作为多模态 LLM 的灵活视觉推理机制，可接受自然语言指令执行去除遮挡、由多视角生成平面图等开放式视觉操作。在包含多视角空间推理与碰撞预测的六项视觉推理任务上，ReImaGin 持续优于纯文本推理和专用视觉工具基线，提升最高达 25%。
#感知/SLAM
#感知/SLAM
今日 0 条HF blogAI 评分2828 HF blogAI 评分3131 OmniTaskonomy：视觉生成何时能提升视觉理解？
Hugging Face 论文 OmniTaskonomy 研究视觉生成监督何时能提升视觉理解，发现采用正确训练配方时，图生图（I2I）训练可提升下游图生文（I2T）性能，且 I2I 训练数据越多增益越大。
HF blogAI 评分3838 LeRF：学习参考坐标系以进行视角采择推理
Hugging Face 发布 LeRF，让视觉语言模型在推理前显式确定提问所指的视角，必要时定位参考人或物体并预测其前、左、上方向，再用轻量工具在图像上画出坐标轴供模型作答。该方法通过监督微调学习坐标系预测与选择性工具调用，用强化学习学习基于自生成坐标系的推理，推理时无需外部感知模型或显式三维重建，在多个基准上提升了视角采择表现，包括想象视角问题。
HF blog精选AI 评分6262 Qwen-Drive-1.0：面向自动驾驶的视觉语言基础模型
Qwen-Drive-1.0 是一个面向自动驾驶的视觉语言基础模型，在统一框架内整合 3D 感知、视觉问答与运动规划。模型保留预训练 VLM 架构，外接 BEV 感知头联合执行 3D 目标检测、语义占用预测和 BEV 地图分割，规划专家基于共享 VLM 表征生成未来自车轨迹。
推荐理由：Qwen-Drive-1.0 把 3D 感知、视觉问答与运动规划统一在一个 VLM 框架内，并给出分阶段训练配方，可了解自动驾驶基础模型的构建思路。
HF blogAI 评分5858 论文研究 VLM 智能体空间记忆过期问题
一篇论文在动态 FrozenLake 测试台上研究记忆增强 VLM 智能体的空间记忆过期问题，覆盖三个闭源模型和三个开放权重 VLM，在文本与图像输入下完成 1,800 次过期检测运行，并在共享 50 种子规模下完成 12,000 个文本模式导航回合。
HF blogAI 评分3939 PointDiT：面向单目几何估计的像素空间扩散模型
PointDiT 是一种基于普通 ViT 的极简像素空间扩散 Transformer，直接处理原始 3D 点图块，并以预训练 DINOv3 的图像 token 为条件，扩散主干完全从零训练，无需点图 tokenizer。它在单图 3D 重建上超越了复杂的潜空间扩散模型，同时比混合架构更简单，几何结构更锐利，在透明物体等高度歧义区域更稳健。
NVIDIA dev blog robotics精选AI 评分6565 NVIDIA 详解如何在 Jetson Thor 上用 VPI 加速机器人感知
NVIDIA 介绍用 Vision Programming Interface（VPI）把立体视觉任务分配到 Jetson 的 PVA、OFA、VIC 等专用加速器，以减轻 GPU 负载。
推荐理由：原文给出 VPI 在 Jetson Thor 上调度 PVA、OFA、VIC 的完整代码与实测吞吐，可迁移到多路立体视觉部署。
NVIDIA dev blog roboticsAI 评分3838 NVIDIA R²D²：面向长时程操作任务的感知引导任务与运动规划
NVIDIA 机器人研发文摘 R²D² 本期聚焦长时程操作中的感知引导任务与运动规划，指出传统 TAMP 系统依赖静态模型、在新环境中常失效。方案将感知与操作结合，使机器人能在执行过程中更新规划并适应动态场景。