跳到正文
10月20日周二
  1. arXiv · 机器人与计算机视觉43

    UniState:统一记忆与干预的可控世界仿真框架

    UniState 提出一种基于统一世界状态表示的框架,将空间记忆与用户干预融合,支持直接指定物体运动并独立选择相机轨迹。该方法无需规定所有后续动作即可合成合理交互,实验显示其在联合控制物体与相机方面优于现有方法,且干预引发的场景变化在多次 rollout 中持续存在。

  2. arXiv · 机器人与计算机视觉78

    预训练特征作为教师而非状态:用于视觉规划的紧凑潜在世界模型

    论文提出了 Anchor-WM 方法,利用预训练的 DINO 特征作为教师来学习紧凑的潜在状态,而非直接将其作为世界模型的状态空间。该方法通过动作条件化的动力学学习和仅用于蒸馏的训练头,在保留视觉信息的同时避免表示坍塌。

    推荐理由:提出用预训练特征指导学习紧凑潜在状态,在四个环境中实现最佳成功率并显著加速规划。

  3. arXiv · 机器人与计算机视觉85

    Time-JEPA:利用物理时间序列锚定视频世界模型

    论文 Time-JEPA 针对视频世界模型缺乏物理状态演化信息的不足,提出用低维时序对齐的物理量作为辅助监督信号进行微调。该方法在自动驾驶、机器人操作和人体运动等多个领域均提升了当前状态解码、多步未来预测及运动学重建性能,且在跨条件与变量分布偏移下表现更稳健。外部评估显示其能增强对物理异常及交互的敏感度,且方法可迁移至不同视频骨干网络。

    推荐理由:该工作提出用低维时序物理量辅助监督视频世界模型,在自动驾驶、操作与人体运动等多域任务上提升状态解码与未来预测能力。

  4. arXiv · 机器人与计算机视觉75

    IMPULSE:在 V-JEPA 2 特征空间先推后测的物理感知方法

    论文 IMPULSE 提出一种在冻结的 V-JEPA 2 视频编码器特征空间中进行物理感知的预测器。该方法通过三次短校准推探获取物体响应,利用贝叶斯接触记忆总结信息,并结合轻量级随机傅里叶变换姿态头将预测姿态输入预测器。实验显示,在预指定的保留对象集上,该方法相比无经验的基准模型将 1 秒特征预测误差降低了 11.6% 至 12.8%,且该增益对超出范围物理属性的对象同样有效。

  5. Hugging Face Daily Papers48

    AnyGoal:世界模型在专家轨迹组合外的泛化基准与开源库

    AnyGoal 是一个基于常用环境构建的目标偏移任务基准及开源库,旨在评估世界模型重组熟悉状态动作因子以产生有效动力学的能力。研究发现当前模型在这些未充分覆盖的组合下普遍失效,揭示了数据覆盖率、动力学泛化与下游规划性能间的关系。该框架为评估迈向能泛化至新规划任务的世界模型提供了基础分析依据。

  6. Hugging Face Daily Papers78

    TokenWorth:资源约束下的记忆价值学习方法

    针对终身智能体在生成、交互和内存预算紧张时的失效问题,论文提出 TokenWorth 轻量级在线框架,通过稀疏执行反馈学习查询依赖的记忆价值,并应用于检索与有界管理。实验显示该方法在三类环境及本地/API部署中均取得最高任务成功率且输出 token 最少。代码已开源。

    推荐理由:提出 TokenWorth 框架,在资源受限下学习记忆价值以优化终身适应。

  7. Hugging Face Daily Papers85

    Fréchet Forcing:基于短片段训练长视界流式世界模型

    论文提出 Fréchet Forcing 方法,用于微调世界模型以解决长序列生成中的漂移问题。该方法在无需教师模型或在线评论器的情况下,利用流匹配损失、上下文保真度和现实匹配三个约束,使模型在机器人操作和相机控制探索任务中能在超过 4,000 帧的长序列内保持稳定性并遵循动作指令。材料为 arXiv 预印本,未提及同行评审状态或具体部署许可。

    推荐理由:提出无需教师模型的 Fréchet Forcing 方法,通过流匹配与统计约束解决长序列生成漂移问题。

  8. 量子位82

    谷歌开源 Harness²:让大模型在运行中自我魔改代码与提示词

    谷歌开源了名为 Harness² 的框架,旨在解决递归自我改进(RSI)在真实开放世界中缺乏标准答案和过度拟合的问题。该系统采用双层递归架构:任务级递归通过提议 - 探测 - 合成机制在无裁判环境下进行行为对比以修补缺陷;改进级递归则将调试记录沉淀为元能力存入经验库,供后续任务检索复用。

    推荐理由:谷歌开源 Harness²,通过双层递归架构实现 Agent 在运行中的自我修补与经验沉淀,显著提升了多基准任务表现。

  9. 量子位60

    商汤大装置:通过异构协同与架构创新提升推理效能

    在CSDI Summit峰会上,商汤大装置副总裁宣善明分享了Agentic时代AI基础设施的实践。面对Token需求千倍级增长与高端芯片供给受限的矛盾,商汤探索以PD分离为核心的万卡级异构推理集群,利用国产算力承担Prefill、高阶GPU承担Decode,在临港AIDC实现整体Token吞吐量提升5倍。

  10. 量子位62

    AI 生命科学进入基础设施竞争:从单点分子走向生命世界模型

    2026 年 AI 赛道出现向生命系统转向的趋势,Biohub 联合多方投入 18 亿美元搭建虚拟生物学计划,国内计算医学也被纳入国家规划。文章分析指出,新药研发难点在于理解完整生命系统的动态演化,因此行业正从单点分子模型转向构建能预测干预后果的“生命世界模型”。

  11. 量子位42

    2026 物理 AI 与世界模型大会医疗健康世界模型分会场在南京举行

    2026 年 10 月 19 日下午,聚焦疾病状态演变与干预响应推演的医疗世界模型分会场在南京国际博览中心钟山厅举行。活动发布“医疗世界模型高质量数据集联合建设计划”及五项慢病世界模型(含胰岛素抵抗、糖尿病用药等),并推出融合国产设备的“医疗健康世界模型一体机”。相关成果强调需在真实场景中持续检验可靠性,不能以模型模拟替代医生诊疗决策。

  12. 智东西 · 机器人84

    Ropedia W0 跨本体移动操作世界模型发布,五大评测领先英伟达 Cosmos 3

    新加坡具身创企 Ropedia 联合南洋理工大学等机构发布了跨本体移动操作世界模型 Ropedia W0。该模型基于视频扩散架构,通过统一的动作表示(相机运动与投影骨架)实现人类、机械臂及人形机器人间的预测能力迁移。

    推荐理由:该团队构建的跨本体世界模型在五大评测基准中均排名第一,且未经后训练即可超越全量数据训练的竞品,展示了显著的少样本优势。

10月19日周一
  1. arXiv · 机器人与计算机视觉72

    WorldOracle:针对动作条件世界模型的现实执行评测基准

    论文介绍 WorldOracle 基准,专门用于评估动作条件世界模型(ACWMs)在相同初始观测和低层动作序列下对真实世界执行的预测能力。该基准涵盖物理后果和任务状态转换的复现情况,并从物理状态正确性、交互空间对齐、关键交互区域保真度及多视角动作一致性四个维度进行评测。

  2. arXiv · 机器人与计算机视觉78

    GroundingPI:面向物理智能的基于视觉原语的接地基础模型

    GroundingPI 是一个 4B 参数的接地基础模型,通过生成共享词汇表中的量化坐标(点和框)来精确指定目标物体及其位置。该模型结合多模态与空间预训练、监督微调及 GRPO 强化学习,在涵盖 11 种感知能力的 34 个基准上平均达到 73.68% 的准确率,超越 GPT-6 Astra(71.54%)。

    推荐理由:该论文提出 GroundingPI 模型,在多项感知基准上超越 GPT-6 Astra,并证明专用感知预训练对机器人操作和自动驾驶的有效性。

  3. arXiv · 机器人与计算机视觉70

    Self-Building Labs:一种能自动设计、配置并操作自身实验室环境的自主系统

    论文介绍 Self-Building Labs(SBL),该系统能从空房间或现有设施出发,自动构建实验室布局、数字孪生、机器人技能及实验工作流以达成高层科学目标。研究通过量子点合成实验验证了其在不同机器人与配置下的端到端能力,旨在提升科学自动化的可访问性、灵活性与可扩展性。

  4. arXiv · 机器人与计算机视觉66

    基于记忆增强的情境推理实现代理式物理 grounded 视频生成

    该研究针对现有方法在视频生成中难以兼顾动态多样性与物理一致性的问题,提出 PhysRepair 框架。该方法采用生成 - 诊断 - 修复范式,通过时空因果约束定位无效状态并指导局部重生成,结合经验增强情境学习适应多样物理故障。实验显示其在固体力学、流体力学等多个领域均能提升视频生成的物理合理性。

  5. arXiv · 机器人与计算机视觉78

    超越动作预测:学习潜在空间中的无搜索规划

    论文提出 Hindsight Inverse JEPA Planning (HIJP) 框架,旨在解决基于世界模型的视觉规划需进行昂贵在线搜索的问题。该方法通过引入目标条件逆模型直接预测动作,并在训练阶段利用回顾性重标记策略塑造视觉表征与动作转换的一致性。

    推荐理由:提出 HIJP 框架,通过隐式逆动力学替代在线搜索实现无搜索规划,在四项视觉控制任务中成功率达 86.8% 且速度提升显著。

  6. arXiv · 机器人与计算机视觉80

    Execution Before Memory:诊断视频世界模型的记忆失效

    当前视频世界模型的内存测试常将场景设置、动作执行与结果展示混为一谈,导致低分被误读为遗忘。本文提出 MIST 评测,分离变化指令与应留下的记忆痕迹,定位到模型能设景却无法执行指令的瓶颈。

    推荐理由:提出 MIST 评测与 M3-Agent 方法,从执行侧诊断视频世界模型的记忆失效瓶颈并提升基准。

  7. arXiv · 机器人与计算机视觉78

    Momentum:面向视频世界模型的持久化动力学方法

    该论文提出 Momentum 方法,通过参考相机阵列构建同步视频作为场景动态共享记忆,利用图结构在相邻设备间传播生成以协调时空一致性。WorldUpdate 阶段生成全局动态记忆,WorldInteract 阶段将目标相机控制锚定于此记忆,确保移出视野的动态内容(如车辆、行人)能保持状态并在重入时一致呈现。

    推荐理由:原文提出了利用多机位视频记忆与图传播机制解决动态场景一致性的方法,并提供了 CARLA 数据捕获流程与评估框架。

  8. arXiv · 机器人与计算机视觉78

    PASS:一种用于 CAT III 完整性算法开发的可信精密进近仿真系统

    针对固定翼飞机进近着陆阶段对可靠定位及完整性(trustworthy outputs)的需求,本文提出 PASS 系统。该系统在统一时空框架下集成可配置机场环境、规定轨迹、惯性模拟、标定立体图像及连续跑道相对真值,支持可控传感器误差与环境变化以生成用于算法开发的测试数据。

    推荐理由:该工作提出可控的进近仿真系统 PASS,支持 CAT III 完整性算法开发,并引入 SRST 指标量化仿真与现实的差距。

  9. Hugging Face Daily Papers82

    野外通用计算机操作智能体环境合成:基于 Agent 的世界模型

    论文提出 Agent World Model in the Wild (WildAWM),这是一个完全由开源模型驱动的流水线,用于合成可控的图形用户界面、模型上下文协议服务和命令行接口联合支持的执行环境。

    推荐理由:提出全开源的 WildAWM 环境合成管线,生成需百步以上解决的长程任务以训练通用计算机操作智能体。

  10. Hugging Face Daily Papers8

    Predictive Closure:JEPA 特征集级表征的新方法

    针对联合嵌入预测架构(JEPA)中不可预测特征难以编码的问题,研究提出“预测闭合”表征法,证明特征选择取决于集合属性而非个体可预测性。实验表明,当某特征有助于预测其他特征时,即使其本身不可预测也能被保留;通过辅助目标或侧信息间接引导策略可强化特定特征的表示。该方法为 JEPA 的特征选择提供了新的理论视角与实验验证。

  11. Hugging Face Daily Papers65

    谁主导?模型能力与基于任务的协作:GPT-5.6-Sol 等模型在共享控制迷宫中的表现

    论文研究了语言模型代理在共享目标下对人类伙伴的依赖程度,指出高单兵能力的模型(如 GPT-5.6-Sol)能根据人类优势条件选择性分配任务。研究引入共享控制迷宫,让智能体与人类共同完成到达目标的移动任务,并对比了不同模型在三种优势条件下的表现。

  12. Hugging Face Daily Papers70

    More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents

    论文研究大语言模型智能体如何通过外部记忆存储执行经验以改进任务表现,指出保留抽象规则虽能复用策略但会导致错误通过检索与重生成循环持续传播(即错误复现)。作者提出 Anti-Persistence 设计,仅积累轨迹和结果并在需要时按需重构指导,执行后丢弃合成内容以防止直接复用。

  13. 量子位80

    VAST 发布开源实时世界模型 EdenLive,单卡消费级显卡超 24FPS 运行

    VAST 正式发布并开源实时世界模型 EdenLive,首次实现在实时生成前提下同时完成任意参考输入、任意画风生成和长时连续运行。在单张 Nvidia RTX 5090 消费级显卡上,720P 条件下 5B 模型生成速度超过 24FPS,端到端延迟为百毫秒级,支持分钟级画面持续生成。

    推荐理由:VAST 正式发布并开源实时世界模型 EdenLive,支持在消费级显卡上实现分钟级连续生成与交互渲染。

10月18日周日
  1. Hugging Face Daily Papers5

    世界模型可解释性:从解码表征到理解潜在世界

    针对联合嵌入预测架构(JEPA)缺乏人类可读接口的挑战,该观点文章提出“地面、结构、验证、行动”四阶段研究议程。现有工作仅初步支持“地面”阶段,而系统分析潜在结构、因果验证及干预仍属未探索领域。此举旨在推动从单纯解码表征转向对潜在世界的理解、验证与行动。

10月17日周六
  1. Hugging Face Daily Papers68

    EdgeKernelBench:面向边缘后端的统一 LLM 驱动内核生成与分层优化研究

    针对边缘设备硬件异构、软件栈碎片化及资源预算紧张的问题,该研究提出了 EdgeKernelBench 基准测试框架和 LEKA 分层优化代理。实验表明,直接生成的最佳模型 Correct@1 为 64.5% 但 [email protected] 仅为 25.5%,功能正确性无法保证性能收益;引入分层 IR 的 LEKA 在同等条件下将 [email protected] 提升至 43.5%。

  2. Hugging Face Daily Papers58

    基于公理化世界模型的物理推理研究

    该研究指出大语言模型在物理推理任务中常因内部公理世界模型(AWM)与题目指定的真实物理世界存在偏差而失败。为此提出强化学习与公理化世界建模(RLAWM)框架,在训练阶段通过分层奖励机制分别监督抽象知识构建和具体推导过程,以缩小 AWM 与真实世界的差距。实验显示该方法在 PhysReason 基准上提升最高达 12.2 分,并在奥赛级物理数学任务中实现零样本泛化增益。

  3. Hugging Face Daily Papers35

    PathFM:基于流匹配的快速多变量轨迹生成预测模型

    PathFM 是一种利用流匹配技术生成完整未来路径的时间序列基础模型,其蒸馏采样器能在单次量化查询时间内为单系列生成多条路径。该模型在 fev-bench 和 TIME 基准上达到具有竞争力的边缘精度,并在新增能量与变差函数指标的 fps-bench 上优于所有外部基线。实验表明其在混沌系统中能维持长期变异性,而强基线则迅速崩溃。

10月16日周五
  1. 智东西 · 机器人42

    杭州创企磐虎智能完成数千万天使轮融资,聚焦 TigerMind 世界模型与物理交互智能 PII 技术研发

    磐虎智能宣布完成由普华资本、恒择资本投资的数千万天使轮,资金将用于研发 TigerMind 多维感官认知世界模型及端侧智能系统。该公司以创始人侯迪波(浙大教授)和联合创始人林锋(前钉钉副总裁)为核心团队,构建围绕物理交互智能 PII 的技术体系。目前企业已与城市公共事业、工业基础设施等领域伙伴开展场景共创。

  2. 盖世汽车 · 汽车资讯72

    Terra Quantum 与 Empa 联合开发 LP-FNO 模型实现激光焊接实时预测

    瑞士工程科技公司 Terra Quantum 与 Empa 联合开发了名为 LP-FNO(激光加工傅里叶神经算子)的人工智能模型,用于预测激光焊接中的三维熔池动态。据称该模型的预测速度比传统方法快达 10 万倍,消除了实现实时工艺控制及部署工业数字孪生技术的关键计算瓶颈。

  3. Hugging Face Daily Papers82

    Data World:从零构建数据环境以支持数据代理训练

    论文介绍 Data World 多智能体引擎,该引擎在生成文件前显式指定其背后的世界机制,以解决数据代理训练中环境成本高、隐私限制及结果难验证的问题。研究通过人类偏好筛选出涵盖 16 个领域的 50 个保留世界的 100 个任务构建基准,并生成了来自 1,037 个独立世界的 2,135 个训练任务。

    推荐理由:提出 Data World 引擎,通过合成环境与任务解决数据代理训练的隐私与验证难题。