跳到正文
10月27日周二
10月26日周一
  1. arXiv · 机器人与计算机视觉70

    机器人世界模型是否真的遵循动作?——WorldEcho 诊断与世界 Sync 对齐研究

    针对动作条件世界模型在专家演示外轨迹上可靠性不足的假设,本文提出 WorldEcho 通过视觉完整性与 SE(3) 末端执行器轨迹对齐评估动作跟随能力。研究发现专家训练模型对非专家轨迹表现不佳,产生运动不一致或视觉无效生成。

  2. arXiv · 机器人与计算机视觉78

    Flow-ERD:一种结合熵正则化蒸馏的代理类型感知流匹配交通仿真方法

    针对现有自动驾驶基准过度追求真实性而忽视多样性不足的问题,本文提出 Flow-ERD 多智能体仿真器。该方法通过代理类型感知的流匹配(AFM)在保持运动一致性的同时保留细粒度多样性,并利用熵正则化蒸馏(ERD)微调闭环采样分布以防止模式坍塌。

    推荐理由:该工作提出兼顾真实与多样性的多智能体交通仿真方法,在 WOSAC 挑战赛中表现领先。

  3. arXiv · 机器人与计算机视觉74

    Regularised RL improves sim-to-real transfer

    论文研究强化学习正则化对仿真到现实迁移的影响,提出新型算法 Soft MellowMax Actor-Critic (SMM-AC)。在 MuJoCo 连续控制基准测试中,SMM-AC 表现与 Soft Actor-Critic (SAC) 相当;在真实机器人上,SMM-AC 获得更高回报,且对观测、环境和动力学扰动表现出更强的鲁棒性。

  4. arXiv · 机器人与计算机视觉47

    Searching with Sparse Histories:基于稀疏日志与零成本代理的跨任务架构搜索方法

    针对现有神经架构搜索(NAS)在稀疏历史下失效的问题,该方法结合冠军初始化与联合成对排序器预训练策略。在 TransNAS-Bench-101 基准上,Micro 自编码最坏 10% 排名从 290 降至 43,Macro 房间布局从 465 降至 45。该方法在 13 个细胞空间目标中超越纯代理排序器,覆盖 10 个目标的均值与最坏情况性能。

  5. arXiv · 机器人与计算机视觉87

    Ψ-0.6:统一视觉语言世界模型中的自适应思维流

    论文介绍 Ψ-0.6,这是一个统一的视觉 - 语言世界模型,能够在共享的推理过程中自适应地组合感知、语言、几何和仿真模块。该模型通过“思维流”交错处理图像、文本以及显式的几何与运动表示,支持反事实模拟以判断物体移动是否阻碍路径等任务。

    推荐理由:该工作提出统一视觉语言世界模型,通过自适应思维流整合感知与几何推理,支持反事实模拟并提升多视角空间推理能力。

  6. arXiv · 机器人与计算机视觉82

    UniAction:用于世界模型的统一动作条件化框架

    UniAction 是一种统一的动作条件化框架,旨在解决现有世界模型因动作类型而异导致数据碎片化的问题。该框架将任意动作表示为稀疏的动作元素集合,每个元素具有离散语义身份和连续时空坐标,并直接映射到预训练视频模型的固有位置空间。

    推荐理由:UniAction 提出统一动作条件框架,将异构动作映射至共享时空结构并引入基数校准注意力,在四类动作形式上优于专用专家模型。

  7. arXiv · 机器人与计算机视觉78

    面向代理自博弈的语义表示:VERID 基础设施在自动化实验室中的应用

    针对复杂高维生物搜索空间探索中物理执行受限于静态自动化和未建模物理变异的瓶颈,本文提出 VERID(Verified Infrastructure for Discovery Laboratories),这是一种持久化、高保真的实验室工作站语义数字孪生基础架构。

    推荐理由:提出 VERID 语义数字孪生基础设施,通过仿真验证与错误恢复机制解决湿实验室自动化瓶颈。

  8. arXiv · 机器人与计算机视觉75

    AWARE:一种用于机器人动力学预测与内省的自适应世界模型框架

    arXiv 论文 AWARE 提出了一种基于外部摄像头监控的异常检测框架,无需访问车载传感器即可通过系统动力学估计和状态预测识别关键基础设施中的未知异常。该框架在包含负载碰撞和电机退化等场景的 240 条真实机器人起重机轨迹上评估,相比最强基线在仅凭相机进行噪声状态估计时实现了 26% 的分类性能提升。

  9. arXiv · 机器人与计算机视觉69

    Tempo-Zero:基于可执行世界的递归自博弈视频推理方法

    论文介绍 Tempo-Zero,一种通过闭环可执行环境、执行验证的自博弈和环境演化来实现自我改进的视频推理框架。该方法让单一策略同时担任出题者和解题者,利用程序执行生成的真实时间戳证据替代噪声伪标签进行训练。尽管仅基于简单程序且无需监督微调或外部视频数据,Tempo-Zero 在十二个真实世界视频基准上平均优于基线模型和近期自博弈方法,尤其在时序定位任务上表现显著。

  10. arXiv · 机器人与计算机视觉78

    UniWorld:一种用于实时视觉世界仿真的统一世界模型

    该论文提出了 UniWorld 框架,旨在解决连续视觉世界仿真中场景几何演化与持久化外观的耦合问题。该方法在共享视频生成模型中整合深度轨迹和参考外观,通过噪声对齐的重叠延续机制保持视觉历史,并利用滚动深度潜在状态保留几何控制。

    推荐理由:UniWorld 框架在共享视频生成模型中耦合几何与外观历史,实现了实时连续视觉仿真。

  11. arXiv · 机器人与计算机视觉47

    ACWM-RM:一种无需真实视频的参考自由奖励模型

    ACWM-RM 是一种联合评估视觉质量与动作跟随保真度的奖励模型,在 AVM-Eval 基准上优于 IDM 等基线且无需真实视频。该模型基于包含 506.3k 对的 AVM-Pref 数据集预训练,利用动作不匹配对监督动作跟随、视频不匹配对监督视觉质量并暴露生成视频伪影。下游强化学习实验表明其在两项指标上均表现更佳,揭示了 IDMs 在生成视频上的可靠性局限。

  12. arXiv · 机器人与计算机视觉35

    双体交互视频揭示物理 AI 编码器中的关系物理属性

    V-JEPA2 与 VideoMAE 两个冻结的自监督视频编码器在双体设置下,能可靠区分弹性与非弹性碰撞。V-JEPA2 的动能读数可跨环境迁移且其预测器对产生动能的碰撞更敏感,但两模型均无法保持随几何变化而稳定的摩擦系数。该研究揭示了现有工作仅关注单物体量的局限,表明关系物理属性(如动量传递)在视频编码器中的表征能力存在显著差异。

  13. arXiv · 机器人与计算机视觉78

    WorldMirror:基于野外机器人演示的交互式世界代理式实到仿真生成

    针对机器人学习仿真中场景构建繁琐的问题,该研究提出了 WorldMirror 框架,将实到仿真(real-to-sim)构建定义为可执行世界程序的迭代优化过程。通过智能体分解观测场景、规划重建步骤并编排图像与三维生成工具,结合相机位姿锚定的场景表示来诊断和修正错误,从而从野外机器人演示中生成视觉保真且几何一致的交互式数字孪生,同时保持记录轨迹的物理有效性。

    推荐理由:提出将实到仿真构建视为可执行程序的迭代优化,利用智能体编排工具生成物理一致的数字孪生。

  14. 盖世汽车 · 汽车资讯87

    无界动力发布并开源MWA™-Phoenix隐空间世界模型基座

    无界动力正式发布并开源MWA™-Phoenix端侧7B参数完整预训练模型,该模型在LIBERO-Plus、LIBERO-Pro等六项评测中取得领先成绩,验证了其在环境扰动与复杂操作方面的能力。

    推荐理由:无界动力发布端侧7B隐空间世界模型及仿真工具,在多项评测中验证了仅凭RGB输入完成复杂操作与真机执行的能力。

  15. Hugging Face Daily Papers74

    Rollback:通过世界模型回溯实现策略改进的范式

    Rollback 将世界模型从单向模拟器转变为反事实引擎,支持回溯至关键决策点并分支探索替代动作,从而在不依赖独立学习价值模型的情况下生成细粒度监督信号。该方法构建了分布式世界模型搜索与异步真实机器人执行的统一训练系统,利用真实过渡数据通过轻量级 LoRA 管道修正动力学(测试时物理 grounding)。

  16. Hugging Face Daily Papers78

    PhysEvolve:基于验证器的可执行世界因果推理自进化框架

    针对视觉语言模型在动力学与物理因果关系上不可靠的问题,本文提出了 PhysEvolve 框架。该框架通过共享的 VLM 提出可执行的物理世界程序,利用确定性物理引擎冻结并模拟基线及反事实分支(如物体移除、目标坑洞),合成离散任务并通过精确验证反馈更新策略与课程。

    推荐理由:该工作提出基于验证器的自进化框架,利用确定性物理引擎生成反事实数据以训练视觉语言模型进行因果推理。

10月25日周日
  1. Hugging Face Daily Papers78

    Δτ-Bench:推动智能体向动态能力边界演进

    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。

  2. Hugging Face Daily Papers68

    ProAS:一种用于多轮代理强化学习的进度感知优势塑造框架

    针对无批评者算法(如 GRPO)存在的均匀信用分配难题,本文提出 ProAS 框架,利用动态演化的代理参考图实现细粒度信用分配。实验表明该方法在 Qwen2.5-1.5B-Instruct 和 Qwen2.5-7B-Instruct 上分别将 ALFWorld 任务成功率提升至 91.9% 和 94.3%,WebShop 任务达到 66.7% 和 70.8%,并将训练收敛速度提升约 2.44 倍。

  3. Hugging Face Daily Papers38

    InteractiveWorld:首个可验证的人机闭环交互环境,揭示前沿 MLLM 在物理世界辅助任务中表现不足

    InteractiveWorld 是首个支持人机闭环交互的可验证环境,让 AI 助手指导人类代理独立行动并基于状态奖励评分。构建的 InteractiveBench 包含六类共 120 个多轮任务,实验显示即便最强的 Claude Fable 5.1 在长程引导与规划任务上成功率也仅分别达 20% 和 25%,表明当前 MLLM 尚无法可靠辅助人类完成物理工作。

10月24日周六
  1. 量子位42

    2026物理AI与世界模型大会在南京开幕,发布50个典型应用场景及高质量数据集行动计划

    2026年10月23日,以“建模物理世界・智启美好未来”为主题的2026物理AI与世界模型大会在南京正式启幕。大会由江苏省数据集团、南京大数据集团和中国人工智能学会共同主办,发布了50个典型应用场景及九项创新成果。现场还成立了国家数据标注先行先试苏皖城市联盟,并发布总规模50亿元的物理AI与世界模型投资基金。

  2. 量子位75

    达瓦科技发布实时世界模型Scenes AI,单卡运行34B大模型并获NVIDIA大奖

    达瓦科技发布实时世界模型产品Scenes AI,在2026 NVIDIA创业企业展示中拿下「半程展示卓越企业奖」。该模型不预测下一帧画面,而是维护包含场景、物理、光照等变量的持续运行世界状态,仅更新发生变化的局部(如天气、画风),其余状态保持锁定。

  3. 量子位28

    特赞提出企业需构建“主观世界模型”与“企业世界模型”,并发布 Agentic Transformation 共建计划

    特赞在 WTCC 论坛提出,企业智能体架构需同时具备理解客户偏好的“主观世界模型”和理解内部流程的“企业世界模型”。特赞已采集万条量级专家判断路径构建训练数据,其主观世界模型在行为模拟上准确率达 85%。公司同步发布 Agentic Transformation 共建计划,推动高校与企业协作将组织判断转化为可积累资产。

10月23日周五
  1. arXiv · 机器人与计算机视觉65

    CENIC:用于接触动力学的凸误差控制数值积分方法

    该论文介绍了一种名为 CENIC 的新型变量步长积分器,旨在解决现有离散时间仿真器在处理接触动力学时面临的精度与速度权衡问题。该方法融合了凸时间步进和误差控制的优点,能在保持与 MuJoCo、Drake 等主流仿真器相当的实时运行速率的同时,提供对精度和收敛性的保证。论文已提交至 IEEE Transactions on Robotics (T-RO),并提供了补充视频材料。

  2. arXiv · 机器人与计算机视觉35

    Decentralized Bi-Level Optimization for Cooperative Orbital Transportation of a Rigid Payload 提出去中心化双层优化框架

    针对轨道拥挤背景下大型非合作载荷的运输需求,该研究提出一种由精确梯度驱动的去中心化双层优化框架。方法将问题分解为内层凸推力分配与外层有效载荷扭矩轨迹搜索,在无需全量非线性规划收敛的情况下快速获得燃料高效解。理论收敛性已确立,且通过包含闭环故障恢复的大规模蒙特卡洛仿真验证了其在航天器群应用中的适用性。

  3. arXiv · 机器人与计算机视觉43

    PhysTrace:可解释的时间序列物理一致性评估框架

    PhysTrace 是一个无需训练的框架,通过对齐多模态大模型生成的历史条件期望与观测视频窗口,在 IntPhys2-Timing 基准上实现最高 70.7% 的物理原则命中率。该方法揭示了预训练扩散/流模型重建视频中属性与时空噪声依赖的违规模式,为跨时间步的可解释物理一致性分析提供了新工具。

  4. arXiv · 机器人与计算机视觉75

    Inside-JEPA:从预测到潜在世界模型中的关系定位

    Hossein Resani 和 Javen Qinfeng Shi 提出 Inside-JEPA,一种在 JEPA 潜在状态中嵌入有序实体对关系通道的架构。研究通过逆动力学损失在无标签条件下 grounding 这些通道,并在 Something-Something V2、RH20T 机器人集以及使用现成检测跟踪的五个关系上验证了性能提升。

  5. arXiv · 机器人与计算机视觉58

    DiffDreamer:耦合世界模型与可微分仿真的敏捷四旋翼控制

    论文提出了 DiffDreamer 框架,旨在解决四旋翼动态门竞速等任务中外部运动预测与高频控制的挑战。该方法将学习到的世界模型(捕捉外部动力学和历史特征)与可微分仿真器(传播机器人显式物理状态)紧密耦合,并将演员目标分解为基于评论家的非可微任务奖励路径和基于仿真的可微运动奖励路径。

  6. arXiv · 机器人与计算机视觉58

    LAST-V2X:面向 V2X 安全应用的通信诱导故障语言驱动自适应场景合成与测试

    该论文提出 LAST-V2X 框架,利用大语言模型将自然语言测试描述转化为基于道路几何、V2X 通信语义和车辆行为的可执行场景。框架集成物理交通仿真与空间感知通信建模,通过消息级故障注入评估信息退化对车辆决策的影响,并采用匹配执行区分通信诱导故障与非相关安全违规。实验在多种 CARLA 环境中进行,展示了该框架生成可靠场景、提升故障发现能力以及通过自适应细化优化测试配置的效果。

  7. arXiv · 机器人与计算机视觉80

    DRILL:通过改进策略而非预测像素来训练世界模型

    论文指出当前世界模型多用于预测下一帧像素,但这并非强化学习中想象回放的唯一目的;作者提出 DRILL 框架,利用下游回报信号更新世界模型。实验显示该方法在五个操作仿真器和两个 VLA 骨干上均能提升策略成功率,且能与 RLVR 预训练互补而非竞争。

    推荐理由:提出 DRILL 框架,证明以策略效用为目标的世界模型训练优于单纯像素预测,在多个仿真器与 VLA 骨干上提升成功率。

  8. arXiv · 机器人与计算机视觉78

    AgentDreamer:面向文本可控物理仿真的代理式三维运动推理

    论文提出了 AgentDreamer,这是一个由智能体引导的优化框架,旨在通过显式的三维运动规划将文本指令与仿真运动对齐。给定文本指令和场景几何,现成的智能体将其转化为结构化语义运动先验(指定移动对象、方向及时间顺序),并用参数化函数表示以生成密集三维轨迹。

    推荐理由:提出 AgentDreamer 框架,利用智能体生成语义运动先验并优化可微 MPM 模拟器以对齐文本指令与物理可行运动。