FDE-Gym:AI 交付的最后一步——揭示真实客户交付中的能力缺口
论文介绍 FDE-Gym 基准,包含来自 18 个行业、20 种场景的 95 项端到端交付任务,模拟具有脚本化利益相关者和可修改系统的生产环境。评估显示,在需发现未声明约束的真实设置中,最佳配置平均得分为 0.56,仅解决 14 项任务;即使获取所有关键事实,能实现高业务提升的任务也仅有 10 项。
推荐理由:该基准通过模拟真实交付场景,揭示了模型在发现未声明约束时的性能瓶颈及从事实到有效解决方案的差距。
论文介绍 FDE-Gym 基准,包含来自 18 个行业、20 种场景的 95 项端到端交付任务,模拟具有脚本化利益相关者和可修改系统的生产环境。评估显示,在需发现未声明约束的真实设置中,最佳配置平均得分为 0.56,仅解决 14 项任务;即使获取所有关键事实,能实现高业务提升的任务也仅有 10 项。
推荐理由:该基准通过模拟真实交付场景,揭示了模型在发现未声明约束时的性能瓶颈及从事实到有效解决方案的差距。
该论文介绍 OmniVerifier-C1 模型,这是一种将复杂提示或环境规则自动分解为细粒度组件并分配逐点分数的视觉验证器,以提供连续且信息丰富的批判信号。研究通过解耦强化学习策略联合优化子问题二元判断与全局对齐评分,在迷宫和数独等结构化世界建模任务中证明了该方法的有效性。
论文介绍 CoWorld Reasoner 框架,该框架将视频世界模型(VWM)作为统一的视觉推理引擎,通过工具调用和技能引导 VLM 进行灵活的视觉想象与空间、因果及感知推理。
推荐理由:提出利用视频世界模型作为统一视觉推理引擎的代理框架,在多项基准测试中优于直接推理。
arXiv 论文介绍 Mallea 系统,该系统利用编码智能体从文本提示中推断物体交互需求,联合规划物体结构、属性及规则以支持紧凑表示。系统通过生成式渲染器结合当前结构与记忆的纹理外观来推进世界状态,并允许用户动作引导演化或编辑属性而不影响现有状态。材料为预印本版本,未报告真实机器人部署结果。
推荐理由:原文提出 Mallea 系统,通过编码智能体构建可编辑的文本驱动世界模型,支持对象交互规划与纹理记忆。
该论文提出了 SHRED 框架,通过大规模异质性自博弈联合训练车辆、行人和骑行者,无需依赖人类驾驶演示或轨迹回放。实验显示,该方法在 Waymo Open Sim Agents Challenge 中优于无演示基线及参考策略方法,且在 nuPlan 地图几何零样本评估下保持真实感;在交互密集的 InterPlan 基准上规划性能全面领先。消融研究表明自博弈中的异质性显著提升了交通真实性和规划效果。
推荐理由:提出无需专家演示的异质交通参与者自博弈框架,在仿真挑战中优于基线并提升规划性能。
该论文挑战现有 AI 范式与世界模型的感知推理能力上限,定义有效连贯认知速度作为衡量系统在现实快速变化下保持行为可靠性的基准。研究通过强化学习代理在不重训情况下将现实变化速度提升 50 倍进行评测,发现受细胞机制启发的 Co^4 架构在 Transformer 和门控 MLP 基线上均取得显著更高的有效连贯认知速度,论证了扩展连贯认知作为可靠 AI 原则的可行性。
论文介绍 T2-Z 方法,该方法为机器人世界模型引入可学习的无监督环境潜变量,在训练阶段交替优化动力学与潜变量结构,在测试阶段仅凭少量交互即可适配新环境。实验显示,该方法在仿真和真实任务中将物体预测误差从 15.20 降至 7.00,动作成功率从 33.73% 提升至 72.96%,且能高效捕捉环境与物理因素的联合表征。
推荐理由:该工作提出在测试时优化环境潜变量以适配未见过的环境配置,显著降低预测误差并提升任务成功率。
该论文提出 GeoState,一种用于预测性 3D 世界建模的视角解耦几何表示方法。该方法通过场景 tokenizer 聚合多视图基础模型特征以生成与相机无关的场景状态,并由几何解码器利用相机射线查询;自回归世界模型预测未来场景状态,同时单独建模相机运动。
针对轨道光照剧烈变化导致检测失效的问题,该研究提出用基于分类变分自编码器(VAE)的学习度量替代几何可见性检查。在逼真物理仿真中,该方法将平均亮度提升至 0.57,81.6% 观测值高于 0.25,显著优于几何规划方案。
该研究提出一种基于视觉引导最优控制的自主运动规划框架,使推进式无人机能在月球表面于指定航点间执行安全高效的抛物线跳跃。系统通过自定义语义分割模型识别障碍物、快速计算可达地形,并利用模型预测控制(MPC)稳健跟踪轨迹以引导至安全着陆位。团队在高保真月球仿真环境中测试了最优跳跃规划器,验证了该统一框架能生成可被 MPC 快速且低误差跟踪的安全、节油飞行轨迹。
论文指出世界模型规划器在部署时面临计划轨迹与实际执行不一致的问题,直接替换预测轨迹效果有限。作者提出 ExecutionBridge 方法,通过推断控制器特定的执行特征来适配原生自我潜变量展开,同时保持原计划轨迹和冻结的规划器、世界模型及奖励头不变。该方法在 NAVSIM 基准上对未见过的控制器配置和多款冻结规划器均能提升规划性能,尤其在驾驶场景复杂时增益显著。
推荐理由:针对冻结的世界模型规划器与控制器执行偏差问题,提出 ExecutionBridge 方法以适配执行特征。
英国航天局支持的 ISPARK 项目开发了结合有限体积热焊池模型与高斯过程代理的物理接地数字孪生,用于在轨维修前的工艺筛选。该原型在 UR5 机械臂仿真中验证了闭环控制策略,80% 的求解器响应落在预测区间内且查询延迟为 249 微秒。研究指出需开展热真空、低重力及硬件在环测试以进一步评估模型与控制器性能。
该论文提出了 GRASE 框架,旨在将捕获的真实环境视频转换为可编辑的 3D 场景并保留几何布局。不同于传统单步松耦合范式,GRASE 以多视图观测为持续参考,通过拟合建筑外壳、放置生成资产及迭代细化几何与位置来修正渲染证据与捕获不符的假设,从而解决误差传播问题。实验表明该方法在保持跨视图一致性的同时,优于包括 GPT6-Astra 在内的现有最先进方法。
arXiv 预印本介绍 RIGen 框架,旨在解决生成式游戏中仅依赖视听预测难以维持长期后果的问题。该框架结合持久状态、可配置规则及上下文交互推理,利用 Xonotic 游戏数据集训练视听生成器,并进一步后训练得到交互式第一人称射击原型 Rigarena。实验表明该方法能实现玩家与生成世界之间更可靠的战斗结果和互惠互动。
本文提出 WorldCast 基准,包含 320 个手动设计的案例以评估多步世界状态预测能力。实验显示 GPT-Image-2.5 System 在真实任务中得分 72.8,而开源模型最佳仅得 20.1,表明当前模型在处理复杂上下文与推理密集型任务时存在显著差距。
论文介绍 Athanor,这是一个在真实 GPU 上运行的开放智能体原生系统,旨在支持智能体的自主后训练研究(AutoPostTrain)。该系统赋予智能体完全的研究自主权,提供低摩擦工程工具、冻结评估服务、托管作业、去污染数据及持久化记录,且禁止使用外部教师模型。
推荐理由:Athanor 系统在沙箱环境中让 Claude Opus 5.5 智能体自主完成基座模型的后训练,首次演示了前沿智能体重组已知方法即可达到官方指令微调版本的效果。
针对视频世界模型在长序列生成中因 KV 缓存增长导致的效率下降问题,论文提出了 Velox,一种无需训练的注意力路由器。该方法利用流形切片(frustum slab)对应关系进行区域级上下文选择,将历史块表示为相机视锥体切片,并通过最近优先多变形技术获取当前块的深度信息。
针对长视界交互中终端奖励导致的信用分配稀疏及策略过时问题,本文提出 TreeOPSD 框架。该方法将交互回合视为树节点,从共享前缀分支替代续写并递归回溯终端奖励至隐式回合级信用;随后映射为基于似然比的有界教师分布参数,通过最小化与学生的发散恢复策略梯度方向并限制更新幅度。
针对复杂基准测试运行成本高、迭代慢的问题,本文引入 EvalResearchBench(ERB),研究 AI Agent 是否能在给定材料、API 及预算约束下自动设计评估任务与评分器。实验对比了 9 名研究者与 13 个候选模型生成的评估器在 14 个目标基准上的表现,发现最佳评估器对约 75% 的候选对排序与目标一致,且开发集最优者未必在密封测试集上最优。
华为前小艺大模型负责人唐都钰创办观行数智,推出“主动式物理AI”概念与ProAgent双模型协同架构(StreamingJev哨兵与Response Model指挥员)。
上海人工智能实验室访问学者许地生团队依托书生科学多模态大模型 S2,基于通专融合技术路径与人机协同模式,完成了困扰数学界三十余年的三维 Ghys 猜想证明。北京大学董彬教授、刘若川院士团队利用 SHEAF 框架对论文全部四个主定理完成形式化验证,证明已通过 Lean 检验。
推荐理由:书生-S2 多模态大模型依托人机协同攻克三维 Ghys 猜想,形式化代码已公开,展示了国产模型在长程推理与科研级数学任务上的新能力。
Drake v1.58.0 正式支持 Xcode 27 及最低 macOS Tahoe 版本。针对有序容器操作 drake::symbolic::Expression 或 Variable,必须显式传入 CompareLess 等模板参数以适配新版 libc++ 优化,旧默认写法将在三个月后失效且 Xcode 27 下立即报错。
该文针对微分代数方程(DAEs)中代数约束限制状态轨迹、导致现有控制屏障函数(CBFs)难以直接应用的问题,提出了感知 DAE 结构的 CBFs 方法。通过投影向量场将代数结构融入安全集定义,推导了保证安全集前向不变性且保持代数约束的条件,并将框架扩展至高阶 DAE。
论文介绍 RoboSimStudio(RSS),这是一个基于开源 Newton 物理引擎的交互式工具包,旨在解决机器人操作接触力学建模难的问题。作者通过显式暴露求解器、接触模型及物理参数选择,支持人类与编码智能体快速创建并迭代仿真。
针对预训练视频生成模型构建的世界动作模型在顺序微调时易遗忘旧任务的问题,本文提出无需访问历史训练数据的持续学习方法。核心贡献是修正生成回放技术,通过智能体评估器截断多余生成并过滤物理不一致的动作,解决了原始生成回放滞后于真实数据的问题。
FACT 是一种因果世界 - 动作模型,通过以执行动作为条件预测未来视频和任务进度,将失败演示转化为有效的未来目标而非丢弃。该方法使进度预测器能感知成功与失败结果,并可选用于推理时打分采样动作候选。仿真与双手动操作实验表明,FACT 优于现有基线,随失败数据纳入训练而提升,且降低了坏动作下的未来幻觉。
推荐理由:FACT 方法让因果世界模型能利用失败演示监督动作后果,减少坏动作下的未来幻觉。
NVIDIA 宣布 EMEA 地区多个城市利用其加速计算构建物理 AI 代理和数字孪生,以提升道路维护、能源效率及公共服务的响应速度。合作伙伴包括 K2K、Akila、ThinkDeep、Galene.AI 等,应用覆盖英国利物浦、法国科多尔省、意大利米兰及比利时安特卫普等地,涉及交通规划、建筑能耗管理及合成数据训练模型等场景。
NVIDIA Nemotron 3.5 Super VL 是一款开源可定制的多模态模型,专为处理阅读文档、跨源查信及调用工具等长流程企业工作流设计。该模型采用 120B 参数混合专家架构,每次请求仅激活 12B 参数以支持专用智能体的高效推理。
本文提出名为 Chain-of-Time 的新颖提示方法,旨在稳定并解释自回归图像生成模型产生的物理仿真结果。该方法通过在推理阶段生成一系列中间图像来模拟时间演变,无需额外微调即可应用于合成与真实世界领域(如刚体滚动、谐波振荡等)。
该研究提出一种架构,将解分配给专注于不同频谱尺度的普通 Transformer 专家,利用离散 Hodge Laplacian 作为拟合层测量高频内容。在包含 9.6K 面元和 4.9K 顶点的非结构化网格上,该方法相比 Transolver 基准使相对 L2 误差降低 31%,内部均方误差降低 47%。
针对大语言模型在复杂三维物体组合任务中缺乏物理理解与交互经验的问题,本文提出 PhySGA 框架。该框架采用协作式前馈 - 反馈架构,由负责全局规划与粗调的装配代理和负责接触动力学诊断与闭环修正的评论代理协同工作;通过动作路由将语义计划映射为仿真器内的可执行原语,并利用自演化技能库蒸馏试错经验以提升成功率。
MemWM 通过引入内容可寻址记忆库增强 JEPA 风格预测,解决现有隐式动力学方法存在的表征坍塌与计算开销问题。该方法在 PushT、Tworoom、Reacher 及 OGBCube 数据集上验证了轻量化架构的优越性,显著优于传统模型在长视界规划任务中的表现。相关代码与论文预印本已公开于 arXiv,为具身智能领域提供了新的可扩展路径。
论文提出了 DiffGIPC,这是一个针对接触丰富逆问题的 GPU 加速可微分框架。该方法通过仿射体导数设计,在保持非穿透约束的同时仅保留十二个运动自由度,显著降低了全空间有限元实现中的计算成本。
CardioFAD 提出聚焦 - 对齐 - 扩散范式,通过运动显著关键帧解决极端单样本下的心脏动态合成难题。该方法在心脏 MRI 与超声心动图视频上展现出优越的视觉质量、时间连贯性及功能一致性。相关代码与论文已作为 NeurIPS 2026 预印本公开于 arXiv。
现有几何感知的多模态大语言模型(MLLM)通常依赖外部 3D 编码器提供结构先验,但这在推理时引入显著延迟和计算开销。本文提出 GeoThinker-F 框架,通过将因果 MLLM 隐藏状态转化为预测性潜在世界表征来内部化时空感知。
推荐理由:该工作提出 GeoThinker-F 框架,通过内部化时空感知消除对外部 3D 编码器的依赖,推理速度提升 3.6 倍。
该论文介绍 Player-1 框架,旨在超越演示数据限制,通过学习合成经验来提升计算机智能体的游戏控制能力。研究扩展了动作空间以支持相对指针运动和复合操作,并在 6,044 条精选轨迹上进行监督微调初始化。
推荐理由:该工作提出 Player-1 框架,利用合成数据与复合动作提升游戏控制能力,为通用数字代理训练提供新路径。
Learning-Based Adaptive MPC 算法通过在线学习行星磁场模型,解决了磁矩器在轨道任务中控制权限不足的问题。该方法在地球轨道与天王星轨道仿真中,分别将控制器成功率提升了 5% 和 61%。该研究已接受发表于 International Conference on Space Robotics (iSpaRo) 2026。
论文提出 PAWA 数据集与框架,解决现有数据缺乏多玩家独立动作与全景视频同步的问题。该框架解耦 CPU 游戏捕获与 GPU 渲染,支持超过 64 名同时在线的玩家,并能在新观测配置下重渲染会话而无需回放游戏。
针对跨域世界模型中动作接口差异及标注稀缺问题,论文提出 OneLA 框架,利用共享正交字典和通用预测目标学习连续潜在动作,无需任务特定设计或跨域对齐损失。该潜在动作为世界模型提供统一条件控制接口,配合轻量适配器将原生指令映射至同一空间。实验显示,OneLA 在跨域动作读出上表现更好,相比最强基线降低动作循环转移旋转误差 24.8%,真实场景生成的人类偏好分数提升 20.5%。
针对预训练的世界动作模型(WAMs)在处理密集未来帧 Token 时产生的高推理延迟问题,本文提出了 CF-Prune 这一无需训练的剪枝框架。该方法利用指令与动作注意力机制识别任务相关 Token,并通过基于熵的相位识别机制保留高精度计算阶段以缓解性能下降。
推荐理由:提出无需训练的剪枝框架,在保持任务成功率的同时显著降低推理延迟。