DisasterAgent:一种基于证据的代理,用于从遥感影像生成可验证的灾害报告
针对遥感灾害评估需可验证证据的挑战,论文提出 DisasterAgent,采用感知 - 增强 - 生成的工作流。该方法首先调用视觉专家工具包构建时空感知图(STPG)作为结构化记忆,随后通过基于证据的增强(EA)从图中提取证据并附加内联引用,形成闭环验证。
推荐理由:提出 DisasterAgent,通过时空感知图与证据增强机制生成可验证灾害报告,在基准测试中显著优于通用 VLM 及遥感专用模型。
针对遥感灾害评估需可验证证据的挑战,论文提出 DisasterAgent,采用感知 - 增强 - 生成的工作流。该方法首先调用视觉专家工具包构建时空感知图(STPG)作为结构化记忆,随后通过基于证据的增强(EA)从图中提取证据并附加内联引用,形成闭环验证。
推荐理由:提出 DisasterAgent,通过时空感知图与证据增强机制生成可验证灾害报告,在基准测试中显著优于通用 VLM 及遥感专用模型。
智元 AGIBOT 在上海徐汇区一家运营中的便利店完成了为期 24 小时的实地测试,六台 G2 轮式人形机器人累计完成 1,730 项任务。其中四台通过最终性能评估,涵盖顾客服务、货架补货、咖啡制作及清洁等场景。
推荐理由:智元在便利店完成 24 小时实测,验证了 G2 机器人在真实零售场景下的任务执行与自适应能力。
智元在 AGIBOT Innovation Day 2026 上推出 Worken(有效智能工作小时)框架,用于衡量机器人在真实环境中的自主产出效率。
推荐理由:智元发布 Worken 生产力评估框架及 AHA3、GO-3 Preview 等新品,并宣布 Link-U OS 1.0 捐赠 OpenAtom 基金会。
本文介绍了 Δτ-Bench 基准,用于评估大型工具生态系统结构演化下智能体的适应能力。该基准包含 1,588 个多轮任务,覆盖 42 个领域及六个连续生态状态。评测显示最强模型成功率仅为 42.3%,且现有技能学习方法无法随生态演变持续优化。研究据此提出了 Steward 系统,通过增量维护与动态配置实现更高成功率与更低开销。
推荐理由:该基准评测了智能体在工具生态演变下的适应力,揭示了现有技能学习方法难以持续迁移的瓶颈。
IEEE Spectrum Robotics 发布本周精选视频合集,涵盖新加坡科技设计大学开发的 ALBATROSS 混合空海机器人(利用机翼实现自旋降落与风帆航行)。
推荐理由:视频合集展示了从仿生飞行到灵巧手、飞虫神经控制及灾难救援的多项前沿演示,为团队提供跨领域灵感与工程参考。
World Labs 团队发布关于世界模型的功能分类法,将现有系统分为渲染器(输出像素)、仿真器(输出物理状态)和规划器(输出动作)。文章指出当前行业过度关注渲染与规划,而忽视作为结构骨架的仿真,并介绍其项目 Marble 通过同时生成高斯泼溅图与碰撞网格来模糊渲染与仿真的边界。最终目标是构建能统一处理视觉、物理结构与行动序列的基础模型,以推动空间智能的发展。
推荐理由:文章提出渲染器、仿真器与规划器正从功能分离走向统一,指出仿真作为连接视觉与行动的枢纽是解决 sim-to-real 差距的关键。
Google DeepMind 发布名为 Co-Scientist 的多智能体 AI 系统,基于 Gemini 模型构建,旨在作为科研人员的协作伙伴以加速科学发现。
推荐理由:DeepMind 推出基于 Gemini 的多智能体系统 Co-Scientist,通过模拟科学辩论与迭代验证辅助生成假设。
Berkeley BAIR 发布综述文章,探讨让大模型自主决定何时分解任务、生成并发线程数及协调策略的自适应并行推理(APR)范式。内容回顾了从固定并行到动态控制的演进,对比了 ThreadWeaver、Multiverse 等方法的 KV Cache 管理与训练奖励设计差异,并指出当前在推理时是否持续提升准确率、训练稳定性及硬件感知调度等方面仍存在开放问题。
推荐理由:文章系统梳理了自适应并行推理范式,对比了从固定并行到动态控制的技术演进路径及训练奖励设计差异。
Generalist 发布博文阐述其 GEN-1 模型的核心理念:该模型约 99% 参数从头训练,旨在打造原生物理交互基础模型而非微调的视觉语言模型或单纯的世界模型。作者认为目标驱动优于方法标签,强调在数据充足时从 scratch 训练更具优势,并指出随着物理交互数据量突破半百万小时,以往依赖视觉语言数据的“拐杖”约束正在改变,团队正以此为基础向全零样本机器人和物理 AGI 迈进。
推荐理由:作者阐述 Generalist 坚持从 scratch 训练 GEN-1 的底层逻辑,认为目标驱动优于方法标签,并指出数据约束已改变。
Kodiak AI 提出针对路面坑洼、水坑等“负向障碍物”的端到端“可通行性框架”,利用几何与视觉分析区分无害反光与危险凹陷,决定穿越或绕行策略。该框架已应用于美国南部高速公路货运及 Permian Basin 油田分选砂运输,支持双挂卡车及防务车辆平台,实现类似人类的精细化决策而非简单停车避让。
推荐理由:Kodiak 提出针对路面坑洼等“负向障碍物”的端到端穿越框架,通过几何与视觉分析实现类似人类的决策,支持在恶劣路况下保持高速作业。
文章将“物理常识”定义为机器人在真实世界中应对不确定性、摩擦与滑移的直觉反应能力,指出当前基于互联网文本训练的模型缺乏闭环交互因而无法获得此能力。作者分享了团队通过开发轻量级手持设备采集自然操作数据(如编织、削土豆)的实验,发现此类数据能诱导模型涌现出类似人类的恢复与微调行为。文章认为物理常识是机器人基础模型的底层结构,将推动机器人从结构化环境走向开放世界,是实现通用智能的关键转折点。
推荐理由:作者提出物理常识是机器人泛化的关键,并分享了通过手持设备采集自然交互数据以诱导模型涌现能力的实验思路。