SkeLAM:一种用于机器人世界模型的骨架引导潜在动作模型
论文提出了 SkeLAM 模型,旨在解决传统重建驱动方法中机器人运动与环境响应混杂的问题。该方法将潜在动作分解为由机器人骨架监督的刚体运动分量和保留互补视觉动态的残差分量,并通过跨模态交换重构确保两者可互换。
推荐理由:提出基于骨架引导的潜在动作模型 SkeLAM,通过解耦运动与视觉动态提升机器人世界模型的生成可控性与零样本迁移能力。
论文提出了 SkeLAM 模型,旨在解决传统重建驱动方法中机器人运动与环境响应混杂的问题。该方法将潜在动作分解为由机器人骨架监督的刚体运动分量和保留互补视觉动态的残差分量,并通过跨模态交换重构确保两者可互换。
推荐理由:提出基于骨架引导的潜在动作模型 SkeLAM,通过解耦运动与视觉动态提升机器人世界模型的生成可控性与零样本迁移能力。
NVIDIA 扩展了 Cosmos 平台,推出新的训练工具、仿真检查点和 Cosmos Data Factory 蓝图,帮助开发者快速构建用于理解与模拟现实世界的世界模型。
推荐理由:NVIDIA Cosmos 平台新增数据工厂蓝图与训练工具,支持多模态合成数据生成及开源模型适配,旨在加速物理 AI 系统的开发与部署。
这篇论文提出将视频观察视为潜在时间世界的部分投影,并围绕阅读(推断属性)、书写(合成生成)、共享(统一机制)和交互(预测更新状态)四个操作组织文献。文章回顾了从片段级识别向持久状态、可控演化及物理因果有效性的转变,总结了数据集与基准现状,并提炼了开放挑战。材料为 102 页的预印本综述,未报告真实机器人部署结果或具体性能指标。
Google DeepMind 发布 MuJoCo 3.17.0,核心更新包括新增 mjbatch 批量模拟接口以支持多线程并行计算,改进 Flex 模块的弯曲弹性与自碰撞检测,优化纹理内存占用并修复渲染器 Bug。该版本同时引入 Bazel 构建支持及多项 API 变更,旨在提升物理仿真效率与稳定性。
NVIDIA 在柏林 GTC 展示将多台 DGX Spark 节点互联,以支持需数百 GB 显存的前沿架构及多模型并行编排。此举旨在把开发环境从数据中心延伸至桌面,让开发者能直接链接更多 Spark 节点进行复杂实验。
Google DeepMind 联合 WRI 与 IIASA 发布 ForTy 2020,以 10 米分辨率将全球土地细分为原生林、人工林等六类并追踪 2017-2025 年变化。该模型基于 AlphaEarth Foundations embeddings,在验证集上对森林类型识别准确率达 90%,非森林识别达 95%。此图支持欧盟反毁林法规合规,提供概率分数供用户调整分类精度。
Maxinsights 成立两三年便成为全球 Physical AI 核心供应商,已向客户交付超 200 万小时 Egocentric 数据且月采集达 45 万小时。该公司 ARR 连续多月接近 1 亿美元,其自研 MaxSLAM 模型在内部评测中位置轨迹误差仅 4.24 毫米、姿态误差低至 0.57°。
论文介绍 HarnessPAI 框架,旨在解决现有训练方法导致感知与推理能力退化的问题。该框架将代码作为可执行接口,在单次 rollout 内以开环方式固定程序引导执行,跨 rollout 则利用反馈闭环进化程序并将失败蒸馏为技能。
论文提出了 μ_0,这是一种基于 3D 轨迹的可扩展世界模型,旨在通过预测物体、工具及接触区域的平滑 3D 轨迹来替代像素重建或直接动作建模,从而实现无需具身特定标签的机器人学习。
推荐理由:该工作提出基于 3D 轨迹的世界模型,无需动作标签即可实现跨机器人泛化,预训练版本已接受 CoRL 2026。
针对世界模型在物理条件超出训练分布时精度下降的问题,本文研究了输入选择与计算机制两个因果建模组件。在合成基准中,冻结的依赖掩码将 OOD 均方根误差从 1.769 降至 0.697;在 CausalWorld 机器人连杆质量外推任务中,引入显式仿射系数的指端局部世界模型,使已知 PD 控制器下的关节 R2 中位数从 0.609 提升至 0.727。
推荐理由:该工作通过显式参数化动力学偏置项,使因果世界模型在物理参数发生偏移时仍能保持预测精度。
Hamza Kheddar 发布了一篇关于强化学习在 FPGA 和集成电路平台上进行硬件加速及系统优化的综述论文。文章梳理了超过100项相关研究,按 RL 家族、抽象层级、硬件实现策略及应用领域进行分类,重点分析了模型架构、实施方法、性能评估(资源利用率、延迟、吞吐量等)以及软硬件协同设计中的挑战与未来方向。
论文提出 CADRE,这是一个开放的因果扩散表示自编码器家族,旨在解决现有视频世界模型复用文本生成模型且无法针对代理等待时间进行压缩优化的问题。该系列通过冻结特征瓶颈和蒸馏解码器,在操作(manipulation)与导航(navigation)两个领域的四个环境中训练,探索了不同时空压缩策略对延迟 - 质量前沿的影响。
针对现有世界模型在观测中难以捕捉物体质量分布、关节阻尼等物理属性导致预测回归经验先验的问题,本文提出 PhysiCalWorld 方法。该方法通过端到端训练,将测试场景内的探索性交互片段编码为紧凑的物理描述符 token,无需微调或解析物理建模即可校准动作条件化的世界模型以适配实例特定动力学。
推荐理由:提出无需微调的上下文物理校准方法,通过探索性交互片段生成紧凑描述符以修正世界模型的物理漂移。
AutoPhyX 提出一种文本条件的空间变化物理属性预测框架,通过部分可控数据生成管线与跨模态调制机制解决视觉输入固有的歧义性。该方法在体素场中确保与网格、点云及 NeRF 等多种三维表示兼容,单次前向传播即可实现高准确度的物理参数分配并泛化至野外物体。实验表明其能支持未来对物理密集型具身智能和机器人应用的需求。
该论文提出 PRISM 框架,将传感器噪声解耦为感知失效与测量不准两种模态,利用视觉基础模型特征作为先验进行物理推理。针对失效区域稀疏问题,采用分层正样本优先监督策略。基准测试显示该方法在噪声深度合成中达到最先进保真度,下游机器人实验平均成功率提升至 92.1%,显著优于单一黑盒基线。
本文提出 LiveAct 框架,旨在解决现有交互式视频世界模型仅支持单一智能体和特定任务动作接口的局限。该研究引入了异构动作接口(HAI),包含“代理感知空间调制”和“架构引导的动作适应”两个组件,分别实现了对多智能体视觉未来的独立控制以及跨不同任务对同一控制变量语义的解释能力。
该研究调查了世界动作模型因生成骨干网络不同而导致的泛化性能差异,提出表征先验应在策略训练前构建分离冗余信息与分布内流形的几何结构。通过量化视觉变化下的噪声正交性,发现更高的先验正交性与更强的视觉鲁棒性及策略泛化相关,并观察到随之而来的特征位移抑制与稳健动作生成能力。
Gonzalo Gomez-Nogales 等人发布了 Pair-Free Coarse-to-Real Video Generation 模型,该方法通过 DINO-R2C 模型在图像特征空间学习从真实到粗糙图像的映射,利用现有编辑与三维重建工具构建图像对进行监督,从而摆脱了对成对视频数据的依赖。
HyperDrone 是一个专注于高性能批量渲染的四旋翼模拟器,其渲染速度比现有最先进方案快 20 倍以上。该系统结合优化的多旋翼动力学与 HyperLux 光追引擎,支持 Nvidia OptiX、Vulkan、Apple Metal 和 WebGPU 后端,完全在 GPU 上运行。
推荐理由:HyperDrone 结合多旋翼动力学与 HyperLux 光追引擎,在消费级 GPU 上实现百万帧每秒的渲染速度,支持将纯仿真训练的视觉策略迁移至真实四旋翼。
arXiv 发布了一篇题为 WorldStream 的研究论文,提出一种开放式的 3D 世界模型,具备扩展可玩地形、响应开放式语言指令及恢复编辑后地点的能力。该系统通过分层规划器在类型化决策模型上发出结构化状态,利用确定性本地代码将计划编译为地形与实体,并通过流式处理分离计算范围以管理资源。
SpatialBrain 是一个保留关于何时进行直接观察、重建或改变参考系等决策经验的框架。它通过 3DFusionMemory 融合场景观测,利用 Spatial Skill Library 提供可复用的工具程序,并通过 Spatial Cognition 关联任务条件与使用记忆和技能的时机方式。
推荐理由:该框架在固定视觉语言主干下,通过融合场景观测与抽象执行轨迹来积累推理经验,并在五个基准测试中优于直接回答。
该论文提出Harness Scaling这一新维度,旨在解决现有智能体系统仅依赖单一固定执行器(harness)导致的特化与迁移受限问题。研究通过构建因子化解耦的执行空间、选择平衡的因子覆盖子集以及组织跨配置训练,实现了从单点训练到多样化配置的扩展。
ALPS 是一种预训练的视觉状态编码器,旨在将物理状态信息、原生语言对齐和像素重建能力统一于单一的 patch token 表示中。研究团队仅使用静态图像和文本数据,从 scratch 预训练了 ViT-B/16 模型,并通过跨视图自蒸馏进行优化。
推荐理由:该预训练视觉状态编码器统一了物理状态、语言对齐与像素重建,在多项基准上实现最优聚合误差并支持下游策略规划。
该论文针对基础模型智能体在长期部署中受限于固定权重和上下文的问题,提出 Memory-Centric Continual Learning (MCCL) 框架。
DeepEvolve 是一个基于未来事件预测的可持续进化智能体系统,通过与动态变化的环境交互实现内部与外部经验的积累。该系统通过解耦搜索与预测适应开放环境,并利用蒸馏技术从有限轨迹中演化出可复用技能。
推荐理由:DeepEvolve 系统展示了基于动态开放环境的递归自我进化框架,在真实事件预测榜单上连续三周排名第一。
论文介绍 UserArena 基准,包含来自 1.1 万用户的 6.47 万条会话轨迹,覆盖 56.6 万商品与 13 种动作类型。该基准配备交互式环境并支持基于生产 A/B 测试结果的离线验证,可实现从输出有效性到最终结果的五级评估。作者还提出了 On-Policy Trajectory Distillation 方法以提升长周期交互的仿真保真度,实验表明其在复现生产策略效果方面表现最佳。
Hugging Face Daily Papers 收录了一篇题为《Dual Exam: Controlled Evaluation of Multimodal Agents and World Models》的论文,作者来自上海 AI 实验室等机构。
推荐理由:该工作提出 Dual Exam 框架,分别在固定环境响应和动作干预下评估多模态智能体与世界模型的解耦性能。
千诀科技在首届2026物理AI与世界模型大会上正式发布预测式世界模型Polibrain。该模型不堆画面预测,专注物理规律与跨本体复用,支持四足、人形等多形态机器人适配。其核心技术包括多项式表征(提取关键变量)、因果记忆(筛选历史信息)及松耦合架构(分离世界理解与动作执行)。相关理论工作比LeCun团队相近研究早约一年,旨在解决具身智能泛化难题。
NVIDIA 推出 Nemotron 3.5 Super VL 和 Bolt 语言多模态模型、Kumo 结构化数据模型、Cosmos 世界模型、Alpamayo 2 Edge 自动驾驶推理模型、BioNeMo 蛋白质设计模型及 Ising 量子计算模型。材料提供了各模型的开源仓库链接与部署入口,并列举了合作伙伴在特定行业的应用案例。
推荐理由:NVIDIA 发布 Nemotron 3.5、Kumo、Cosmos 等开源模型系列,提供欧洲主权 AI 基础与后训练工具链。
NVIDIA Omniverse DSX Blueprint 助力开发者将现场方案、设备资产及工程需求整合为一致模型,支持团队检视修订并准备仿真。该工具通过连接可编辑工作流,帮助团队在设计演进中探索替代方案并融入工程反馈,加速 AI 工厂数字孪生构建。
NVIDIA OpenShell 参考架构旨在解决自主智能体在长周期执行复杂任务时面临的累积风险,防止其下载代码、构建新工具或获取额外权限。该架构通过定义明确的安全边界与治理机制,确保智能体在访问文件、工具及互联网并协作生成其他智能体时,不会触及底层基础设施的敏感部分。
上海AI实验室联合中国科学院金属研究所等机构发布自进化合金设计专家模型“书生·衍金”(AlloyEvo)。该模型通过自主设计方案、智能评估性能并沉淀经验,在航空航天3D打印工程钛合金研发中实现突破:样品抗拉强度达1817MPa,较现有基准提升12.8%,均匀延伸率持平。AlloyEvo已集成至书生·端砚科学发现平台,支持高温合金、特种钢等新材料体系的设计与研发。
推荐理由:上海AI实验室联合多方推出自进化合金设计专家模型AlloyEvo,在工程钛合金研发中实现抗拉强度提升12.8%的突破。
钟志华团队与清华大学合作,利用 AI 赋能 CAE 仿真使分析效率提升 10 至 200 倍且精度同步优化。该技术已覆盖碰撞、结构性能优化及振动噪声等复杂计算场景,同时推动商用车“引导式自动驾驶”商业化落地。
针对长周期任务中代理单次成功但重复运行失败的稳定性问题,论文提出了 RiseHarness 框架。该框架在固定模型权重的前提下,通过翻转同一配置下的成功与失败轨迹,结合运行时监控的内部痕迹分析模型动作与命令执行、反馈及上下文管理的交互机制。
论文提出S3(Spectral Null-Space Swap)方法,这是一种无需训练的成对检查点组合策略。研究指出推理能力的核心存在于非思考模型主导奇异方向投影的零空间中,移除该分量可大幅提升效率而不损害准确率。实验在2B至30B参数量的稠密及MoE架构上验证,相比完整思考模型,S3平均降低27.4%推理token开销,同时整体任务准确率提升1个百分点(如在HMMT25上准确率达+8.3%)。
推荐理由:提出S3方法,通过交换非思考与思考模型的零空间权重,在推理效率提升27.4%的同时保持准确率。
针对现有协议依赖生成历史或参考视频导致无法真实评估记忆能力的局限,该研究提出 OPIS 基准,严格锚定初始观测中的固定对象实例进行评测。数据集涵盖现实、具身机器人及游戏世界共 500 个案例,包含 12,672 个刚体、连杆和可变形物体的密集标注。
针对现有方法侧重未来生成而忽视三维理解、大语言模型缺乏几何演化预测能力的差距,该研究提出 HERMES++ 统一驾驶世界模型。通过鸟瞰图表示整合多视角信息、LLM 增强世界查询促进知识迁移、当前到未来链接桥接时间差以及联合几何优化确保结构完整性,该方法在多个基准测试中表现优于专用方法,同时实现未来点云预测与三维场景理解任务的高性能。论文已被 IEEE TPAMI 接收,代码与模型将公开。
推荐理由:该工作提出统一框架融合三维场景理解与未来几何预测,填补语义解释与物理模拟间的差距。
论文介绍了 Kamino,这是一个基于 NVIDIA Warp 和 Newton 框架实现的 GPU 物理求解器,旨在解决复杂机械系统中强耦合的运动学与动力学约束问题。
推荐理由:该工作提出基于 GPU 的刚性多体物理求解器 Kamino,原生支持运动学闭环与异构机器人批量仿真,为强化学习策略训练提供了高保真环境。
该研究提出一种分布式车队控制器,保障多车系统在无信号灯路口实现安全且平滑的穿越。通过闭环路径设置与切换系统指数收敛分析,证明在温和增益条件下可确保瞬态期安全及稳态期同速避撞。有效性已在高保真 CARLA 仿真器中利用多款商用车辆模型得到验证。
针对 Joint-Embedding Predictive Architectures (JEPAs) 存在的对象信息分散、缺乏显式实体对应以及点距离对空间位移不敏感等挑战,该研究提出 Slot-based Joint-Embedding Predictive Architecture (Slot-JEPA)。