跳到正文
  1. arXiv · 机器人与计算机视觉82

    ReactBench-AD:驾驶 VLA 和世界动作模型能否对路径中的突发危险做出反应?

    该研究引入 ReactBench-AD 基准,基于 NAVSIM 和 PhysicalAI-Autonomous-Vehicles 构建像素级反事实场景(插入行人或车辆),评估四款 VLA 和两款 WAM 发现其对突发危险反应微弱。针对 ReCogDrive 进行少量编辑场景微调后,模型学会紧急制动且能泛化至未见物体及真实场景,同时保持常规驾驶性能。代码与数据将公开。

    推荐理由:该基准通过像素级编辑场景发现现有模型对突发危险反应微弱,并证明少量微调即可让 ReCogDrive 学会紧急制动且能泛化至真实场景。

  2. arXiv · 机器人与计算机视觉78

    扩散驱动规划器的轨迹质量早期可读性研究

    该论文系统研究了三种预训练规划器(Alpamayo、ReCogDrive-IL 和 HDP),发现其内部状态在第一次去噪评估后已能支持有效的候选者选择,而后续去噪并不总能提升选择质量。基于此提出的早期选择方法仅对选定候选者完成去噪,相比对所有候选者完全去噪减少了计算量,并在所有三种规划器上提升了开环轨迹质量和闭环驾驶得分与进度。

    推荐理由:研究证实扩散规划器在第一次去噪后即可进行轨迹选择,该方法能显著降低计算量并提升 Alpamayo 等模型的闭环驾驶表现。

  1. 量子位77

    阿里巴巴发布Qwen4-Max基座大模型,智能体及编程能力进阶

    阿里巴巴于11月16日发布全新一代基座大模型Qwen4-Max,总参数2.4T,具备原生视觉能力和百万上下文支持。该模型采用基于稀疏注意力的MoE架构,激活参数仅71B,在CodeArena前端编程盲测中位居全球第六,在Agents' Last Exam等智能体评测中处于领先梯队。

    推荐理由:阿里发布Qwen4-Max,总参数2.4T且激活仅71B,在CodeArena等权威评测中表现领先,并支持持续交付与运筹建模。

  1. arXiv · 机器人与计算机视觉82

    从基础 VLM 到多功能驾驶 VLM:一种三元组增量训练方法

    针对将通用视觉语言模型(VLM)适配自动驾驶需大量空间先验或架构重构的难题,本文提出非侵入式的三元组增量训练框架。该方法利用自动构建的图像、深度和问答三元组,通过统一三流训练管线注入 3D 几何感知:主 VLM 流适应驾驶任务,辅助深度流引导视觉骨干网想象场景几何,冻结的双生 VLM 流防止语义漂移。

    推荐理由:提出非侵入式三元组增量训练框架,在保留通用 VLM 能力的同时通过辅助深度流注入几何感知,部署时无推理开销。

  2. arXiv · 机器人与计算机视觉78

    CARE-Drive:面向自车轨迹的耦合交替细化方法

    论文提出 CARE-Drive(Coupled Alternating Refinement for Ego-trajectories),旨在通过物理专业化与协调机制改进端到端自动驾驶中的轨迹预测质量。

    推荐理由:提出 CARE-Drive 方法,通过位置与航向的物理专业化分解及交替优化,在 NAVSIM v1 上提升轨迹预测性能。

  1. arXiv · 机器人与计算机视觉85

    KITScenes 多模态自动驾驶数据集发布:高保真传感器与完整 HD 地图

    KITScenes 多模态数据集发布,包含高分辨率全局快门相机、400 米外长距激光雷达、4D 成像雷达及冗余 GNSS/INS。其 HD 地图据称最完整,首次将交通信号灯等元素以三维拓扑连接形式映射至重投影精度水平。

    推荐理由:KITScenes 数据集发布高保真多模态数据与 HD 地图,填补了地理多样性与长距雷达空白。

  2. arXiv · 机器人与计算机视觉82

    CROWD:一个包含全球城市行车记录仪连续驾驶片段的公开数据集

    作者发布 CROWD 数据集,收录来自 YouTube 的 10.7 万段未编辑城市行车记录仪片段,覆盖 238 个国家和地区、超 3.6 万小时视频。数据排除事故与剪辑内容,仅保留常规驾驶场景,并附带时间、车型及 80 类目标检测与多目标跟踪的预标注 CSV 文件,支持跨域鲁棒性与交互分析研究。

    推荐理由:该数据集提供全球城市行车记录仪片段及预标注目标,支持跨域鲁棒性研究与无视频重分发下的可复现基准分析。

  1. 量子位78

    百度文心首次披露 RSI 进展:ERNIE Evolve 已用于最新模型研发,文心 5.5 Flash 或将近期发布

    11 月 9 日,百度文心首次披露递归自我改进系统 ERNIE Evolve,该系统能自主提出研究方向、开展实验并积累经验。目前 ERNIE Evolve 已应用于即将发布的文心 5.5 Flash 推理优化,在昆仑芯 P800 低时延场景生成速度提升至基线 623.6%,确定性推理吞吐提升至基线 133.7%。

    推荐理由:百度披露递归自我改进系统 ERNIE Evolve,已用于文心 5.5 Flash 推理优化并开源基座版本。

  1. arXiv · 机器人与计算机视觉78

    ObjectGuidedMap:面向高遮挡场景的鲁棒鸟瞰图地图预测模型

    针对现有 BEV 地图预测模型缺乏对交通参与者理解、在高遮挡下表现不佳的问题,本文提出 ObjectGuidedMap 多任务架构。该模型在 Mask2Map 基础上增加物体检测分支,利用可变形注意力与交叉注意力机制实现 BEV 特征与实例查询间的跨任务信息融合,使地图预测能利用物体上下文并抵抗交通参与者造成的遮挡。

    推荐理由:提出多任务架构联合预测 BEV 地图与 3D 物体,通过跨任务特征融合提升高遮挡场景下的地图预测精度。

  1. 量子位77

    OpenAI发布GPT-6.1 Terra,主打更低成本与更强电脑操作能力

    OpenAI正式发布GPT-6.1 Terra模型,其标准API价格较上一代砍半,在Agents' Last Exam等职场软件实战测试中表现接近旗舰模型但成本显著降低。官方数据显示该模型在视觉理解、代码生成及少说胡话方面均有提升,适合处理跨软件协同操作任务。同一天OpenAI还公布了三项由内部AI系统产出的科学结果,涉及调和分析、复杂性理论和量子场论领域。

    推荐理由:OpenAI发布GPT-6.1 Terra,主打更低成本与更强电脑操作能力,同时公开三项基础科学突破。

  1. arXiv · 机器人与计算机视觉78

    DriveOSS:自动驾驶 3D 异常分割与开放集语义分割数据集与基准

    DriveOSS 是首个专为自动驾驶设计的 3D 异常分割和开放集语义分割数据集与基准,旨在解决现有方法在未知物体场景下的不足。该数据包含由六路环视 RGB 相机、128 线激光雷达及 GPS/IMU 采集的 12,661 帧同步标注图像,涵盖晴、夜、阴、雨、雪等 52 个真实驾驶场景。

    推荐理由:DriveOSS 发布首个面向自动驾驶的 3D 异常分割与开放集语义分割数据集及基准,包含多模态数据与 ID/OOD 子集划分。

  1. arXiv · 机器人与计算机视觉78

    STRIDE:自动驾驶边缘案例中的时空推理评估基准

    STRIDE 是一个面向自动驾驶长尾安全场景的物体中心基准,涵盖空间感知、时间记忆与轨迹预测等六类任务。该基准在十二个模型上测试发现,即使表现最好的 GPT-6-Astra 在多选题准确率也仅为 43.4%,且描述场景的能力无法转化为准确的安全判断,模型更难以重构物体运动而非回忆过去位置。

    推荐理由:该基准通过多任务评估揭示现有模型在时空推理上的短板,指出描述能力与安全判断能力的脱节。

  1. 量子位80

    DeepSeek 发布 V4.1-Flash-1017 模型及自研搜索 API

    DeepSeek 正式发布新模型 DeepSeek-V4.1-Flash-1017,该版本在代码与 Agent 任务基准测试中表现提升,同时优化了运行时间与 Token 消耗。

    推荐理由:DeepSeek-V4.1-Flash-1017 在基准测试与 Agent 任务中提升性能并降低 Token 消耗,同时开放自研搜索 API 以支持网页抓取与分析。

  1. Google DeepMind82

    Gemini 4 Argon 发布:具身推理与复杂工程任务全球上线

    Google DeepMind 正式发布 Gemini 4 Argon 模型,该模型在具身推理基准 ERQA 中以 87% 的分数领先其他前沿模型,并展示了通过观看人类操作视频自主构建仿真代码、进而将技能迁移至人形机器人(Apptronik Apollo)实现连续投掷的技能。

    推荐理由:DeepMind 发布 Gemini 4 Argon,在具身推理基准 ERQA 以 87% 分数领先,并展示通过观看视频自主构建仿真代码并在人形机器人上实现技能迁移的能力。

  1. 量子位78

    DeepSeek-V4系列因分块KV Cache压缩出现相位敏感性:同一任务准确率随Token站位周期性起伏

    字节Seed团队研究发现,DeepSeek-V4系列模型在长上下文检索中表现出显著的“相位敏感性”,即同一条信息仅改变输入位置(Token站位),其检索准确率便会呈现与压缩步长一致的周期性波动。

    推荐理由:字节Seed团队发现分块KV Cache压缩引入相位敏感性,导致模型检索能力随输入位置周期性波动,后训练与架构迭代可显著缓解该问题。

  1. arXiv · 机器人与计算机视觉82

    GeoCoTDrive:面向自动驾驶的显式几何思维链视觉语言动作模型

    针对现有 VLA 模型在自动驾驶中存在 2D 语义理解与 3D 几何需求不匹配的问题,本文提出 GeoCoTDrive 框架。该框架遵循“先以 2D 思考、再以专用 3D 先验驱动”的范式,首先定位决策关键区域的 2D 特征,随后从几何基础模型中检索局部化 3D 先验并交织进自回归上下文以支持轨迹生成。

    推荐理由:提出 GeoCoTDrive 框架,通过显式几何思维链将 2D 视觉理解与 3D 规划先验结合,在多基准测试中提升端到端自动驾驶的安全性。

  1. Hugging Face Daily Papers78

    从证据到行动:工具使用智能体的失败模式分析

    论文提出 SafeActBench 基准(656 个案例),研究工具使用智能体在从决策到执行的链条中,常因调查不完整或过早行动导致失败。即使获得必要证据,单步执行可靠但多步工作流仍暴露未解决的前置条件与执行不全问题。材料引入溯源绑定的证据账本与确定性轨迹评估器来追踪信息建立、动作发生及下游依赖满足情况。

    推荐理由:SafeActBench 基准揭示工具使用智能体在决策与执行间存在证据链断裂,静态评估强但交互执行弱。

  2. arXiv · 机器人与计算机视觉82

    PlaySuite:面向交互式视觉智能的大规模评测基准

    PlaySuite 是一个基于超过 5000 款开源视频游戏的交互式视觉智能评测基准,涵盖 Pygame、Unity 等多种引擎。研究构建了统一的闭环交互框架与 Video-LLM-as-a-judge 协议以支持异构游戏评估。对十四种近期开放模型的测试显示,尽管推理能力强,但模型在空间定位、动作执行和自我修正方面存在持续失败,揭示了感知与行动之间的差距。

    推荐理由:PlaySuite 发布大规模游戏评测基准,揭示当前模型在动态环境中的感知 - 行动差距。

  3. Google DeepMind78

    Google DeepMind 发布开源轻量级多模态嵌入模型 EmbeddingGemma 2

    Google DeepMind 发布 EmbeddingGemma 2,这是一个基于 Gemma 4 架构的开源多模态嵌入模型,采用 Apache 2.0 许可。

    推荐理由:DeepMind 发布 EmbeddingGemma 2,统一处理文本、代码、音视频的多模态嵌入模型,支持端侧推理与离线 RAG。