抖音SAIL团队与LV-NUS Lab联合推出的SAIL-VL2多模态大模型在106个数据集上取得了显著突破，尤其在复杂推理任务中表现出色。该模型通过创新架构和数据处理，展现了小参数规模模型的强大能力，具备细粒度视觉感知和复杂推理能力，成为开源领域的领先者。

LOVON系统结合大语言模型与开放词汇视觉感知，旨在提升足式机器人在复杂环境中的长时任务执行能力。通过拉普拉斯方差滤波技术，LOVON解决了视觉不稳定性，实现了动态目标下的自主导航与任务规划。

本文介绍了VITAL策略学习框架，通过将操作任务分为到达和局部交互两个阶段，结合视觉和触觉感知，提高机器人在精细操作中的成功率和泛化能力。VITAL利用视觉-语言模型进行目标定位，并通过触觉反馈实现高精度操作，克服了模仿学习和强化学习的局限性。

UC伯克利等团队研发的LeVERB框架首次实现人形机器人视觉感知与运动控制的结合，机器人能够根据语言指令自动完成复杂动作。在Unitree G1机器人上测试，零样本成功率达到80%，整体任务成功率为58.5%，显著优于传统方法。

上海AI实验室推出VeBrain通用智能大脑，集成视觉感知、空间推理和机器人控制，实现机器人像人类一样的“看到-思考-行动”。该模型通过关键点检测和技能识别，提升多模态理解与控制能力，测试结果显示其在多个任务中表现优异。

本研究提出了一种三重层次扩散策略（H$^{3}$DP），有效解决视觉感知与动作预测的耦合问题。H$^{3}$DP在44个仿真任务中性能提升27.5%，并在4个双手操作任务中表现优异，显示出其潜在影响。

本研究提出了一种自适应标记语言生成方法，旨在解决视觉文档理解中视觉感知与文本理解的整合问题。该模型在复杂文档布局下表现优异，显著提升了视觉场景的推理和理解能力。

Perception-R1是由多所高校联合开发的多模态大语言模型，首次在COCO2017验证集上实现30AP，超越YOLOv3等模型。该模型通过强化学习优化视觉感知策略，提升了物体检测、计数和OCR等任务的能力，为AI视觉感知的未来奠定基础。

本研究提出了一种模块化视觉对比解码（MVCD）框架，旨在提升大型语言模型（LLMs）在多模态任务中的表现。MVCD通过利用LLMs的上下文学习能力，有效提高了视觉感知能力和模型准确性，展现出重要的应用潜力。

本研究探讨了大型视觉语言模型中的幻觉现象，提出了视觉感知头发散指标，量化注意力头对视觉内容的敏感性，并引入视觉感知头强化方法，显著改善了模型表现。

本研究提出了综合性基准VL-RewardBench，用于评估视觉-语言生成奖励模型（VL-GenRMs）。通过高质量样本选择与人工验证，发现该基准能够揭示模型在视觉感知任务中的失误，并与其他测评结果高度相关，为改进VL-GenRMs提供了重要见解。

本研究首次将后门攻击应用于机器人视觉感知模块，证明其能够有效误导机器人臂的操作，揭示了潜在的安全威胁。

本研究提出了一种新的记忆型视觉-本体感知强化学习模型，旨在提高机器人推物的精确度，减少修正动作，增强其在日常生活中的辅助能力。

本研究探讨了扩散模型在生成和视觉感知任务中的应用，提出了一种将深度估计、光流和分割统一为图像转换的高效训练技术。结果表明，该模型在数据和计算资源较少的情况下，性能与先进方法相当。