跳到正文
10月12日周一
  1. Hugging Face Daily Papers82

    关系学习作为世界建模:TabWM 与 WorldRel 预训练生成器

    论文提出 TabWM(Tabular World Model)和 WorldRel,旨在从观测到的执行中推断系统行为并生成可执行的关系统一世界。TabWM 利用未见世界的执行记录作为上下文,在不更新参数的情况下预测由新动作引起的稀疏结构化编辑。

    推荐理由:提出 TabWM 与 WorldRel,在未见执行下通过上下文推断系统状态变更,支持递归想象未来以优化动作序列。

  2. 量子位86

    何恺明团队发布视觉原生Harness框架VISTA

    何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出VISTA框架,让多模态模型无需额外训练即可观察环境、保存原始画面并在推理时回看细节。

    推荐理由:何恺明团队提出VISTA框架,让多模态模型无需重训即可回看原始画面以辅助推理,在ARC-AGI-3等基准上显著提升通关效率。

10月11日周日
  1. 量子位72

    TypeSafe AI发布Jev决策模型并完成8.7亿美元A轮融资

    TypeSafe AI宣布完成8.7亿美元A轮融资,投后估值达75亿美元。其核心产品Jev是一款专注于自动化判断(如分类、打分、选择)而非生成文本的AI模型,上线3天日吞吐量即达1万亿Token,且输出Token永久免费。该发布引发了微软、OpenAI和Cloudflare等巨头在24天内迅速推出同类决策模型进行竞争。

  2. 量子位65

    OpenAI 发布 722 篇手稿声称解决挂谷猜想,陶哲轩联合抵制

    OpenAI 于 10 月 7 日公开 722 篇数学手稿,其中编号 074 的两篇论文分别声称证明了三维挂谷极大函数猜想和四维挂谷集 Hausdorff 维数猜想。材料指出这些成果引用了王虹等人类学者的前期工作,但尚未经过同行评审且部分未形式化验证。陶哲轩牵头发布联合声明抵制此类批量攻关行为,认为其破坏了学术生态与人类理解的核心价值,数学界正面临新旧研究范式的剧烈碰撞。

10月10日周六
  1. Hugging Face Daily Papers78

    Evolving to Match Capabilities:通过技能适配提升 Harness 自进化能力

    Harness 自进化的效果取决于模型能否遵循其引导,但研究发现强模型的有益技能对弱模型可能有害甚至降低性能。为此,作者提出技能适配方法,利用外部重写器诊断工具执行、上下文管理等失败原因并蒸馏为固定元技能,在不依赖执行证据的情况下将通用技能改写以匹配执行者能力。实验显示该方法在七种不同能力的执行器上均提升了自进化循环的最终得分,为开发更有效的 Harness 自进化提供了设计指导。

    推荐理由:原文发现通用技能对弱模型有害,提出通过元技能诊断失败并适配技能以匹配执行者能力的方法。

10月9日周五
  1. Hugging Face Daily Papers82

    MiMo-V2.6:扩展强化学习迈向自我改进

    该报告由小米 LLM-Core 团队发布,介绍了 MiMo-V2.6 系列全模态模型,旨在通过扩展强化学习(RL)计算规模推动大模型智能边界。在预训练混合-SWA 架构基础上,报告详细阐述了三个维度的 RL 扩展策略:更大批次与吞吐量、涵盖代码/通用/视觉/网络域的复杂环境以及更强大的评估器计算。

    推荐理由:报告介绍了 MiMo-V2.6 系列,通过扩展 RL 计算规模、引入混合任务代理 RL 基础设施及开源训练动态,推动大模型向自我改进迈进。

  2. Hugging Face Daily Papers65

    MARGIN:多智能体基础模型协调的运行时置信度校准

    针对异构基础模型在动态工作负载下自报置信度含义不一致的问题,本文提出了 MARGIN 方法。该方法通过追踪近期准确率与陈述置信度的比值来修正报告置信度,无需重训模型或预留校准集。评估涵盖代码生成、问答和数学任务,结果显示在存在正确性反馈的多智能体协作中,MARGIN 能显著改善候选答案的排序并提升选择准确率。

  3. arXiv · 机器人与计算机视觉62

    多智能体运动规划中同时计算多种优先级的方法

    针对大规模网络中的多智能体路径寻找(MAPF)及考虑系统动力学的多智能体运动规划(MAMP),提出一种不依赖领域知识的通用方法,使智能体能同时计算多种优先级策略。数值实验表明该方法在满足计算时间约束下实现近最优解并优于最先进方法;在包含十辆车辆的道路网络实验中验证了其实时能力。

  4. arXiv · 机器人与计算机视觉50

    RoboRacer Arena:面向自动驾驶赛车赛的规范驱动型赛道构建

    针对学习基自动驾驶赛车赛道几何难以系统变化的问题,作者提出了 RoboRacer Arena 这一基于自然语言规范的赛道构建流水线。该系统通过种子覆盖引导的构造器生成闭合回路布局并验证占用图,自动构建 Isaac Sim 仿真环境,初始参考集包含 130 条赛道。

  5. arXiv · 机器人与计算机视觉68

    WorldCraft:从相机导航到交互式视频世界模型中的物体操作

    arXiv 论文 WorldCraft 提出首个支持相机导航与物体轨迹联合控制的自回归视频世界模型。针对现有模型难以在视角变化或物体不可见时保持控制一致的问题,该方法通过归一化世界轨迹锚定路径、结合选择性记忆刷新以维持离屏期间的状态更新,并引入路径选择型 LoRA 保留预训练相机控制器。

  6. arXiv · 机器人与计算机视觉49

    World-Ego Model 实现长视界导航操作任务的具身视频生成

    World-Ego Model(WEM)通过解耦场景演化与机器人行为,在 HTEWorld 基准上实现了长视界导航 - 操作任务的最优性能。该模型结合角色条件注意力视觉语言状态预测器与非对称查询预算的语义路由混合专家扩散生成器,有效兼顾了场景一致性与指令遵循精度。研究构建了包含 12.5 万视频片段(超 450 万帧)及 300 条多轮评估轨迹的 HTEWorld 数据集以支持严格评测。

  7. arXiv · 机器人与计算机视觉43

    数字孪生框架用于 AI 驱动工业边缘控制环路的预部署验证

    该研究提出一种模块化数字孪生(DT)框架,统一建模物理过程、无线通信与应用逻辑。在 BI-REX 试点线通过 5G 连接自主移动机器人(AMR)运输危险液体的真实概念验证中,DT 预测与实测的网络级指标及端到端应用指标高度一致。分析表明网络建模误差会严重影响低延迟工业控制环路的可行性,证实了该框架作为下一代工业系统预部署设计与验证工具的价值。

  8. arXiv · 机器人与计算机视觉78

    Memento 3:基于反思规则书的模型驱动递归自我改进

    论文介绍 Memento 3,使冻结的大语言智能体能通过外部自然语言规则书持续学习显式世界模型并编译为可执行代码。系统通过观察、反思、修订规则、编译和验证的循环,利用预测误差在保持底层大模型固定的前提下实现递归自我改进。

    推荐理由:该工作提出通过外部记忆和规则书实现冻结大模型的递归自我改进,在 ARC-AGI-3 上达到人类效率基准。

  9. arXiv · 机器人与计算机视觉72

    MultiWorldBench:独立控制的视角能否描述同一个共享世界?

    论文介绍 MultiWorldBench 这一基于 Minecraft 的多玩家世界模型诊断基准,包含 495 种配置及七套任务套件。评测显示 Gamma-World 在十项能力平均得分最高(21.39),Solaris 次之(20.88),MineWorld 最低(1.89),而参考引擎 Engine GT 得分为 91.69。

  10. arXiv · 机器人与计算机视觉70

    WorldBench:评估 LLM 在 Three.js 体素世界生成能力的新基准

    针对大语言模型生成的交互式 3D 世界自动评测不可靠的问题,本文提出 WorldBench 基准与裁判器。该工具通过控制时钟、环绕观察并派遣智能体遍历每个生物群落,同时交叉验证代码内容与像素测量结果,解决了单一视角或仅读源码导致的误判问题。研究在五个前沿模型上进行了评估,相关测试代码、提示词及裁判配置已开源。

  11. arXiv · 机器人与计算机视觉72

    3 万小时以自我为中心的视频未能教会世界模型的什么

    该论文评估了以自我为中心的 3 万小时视频数据对世界模型的作用,发现在分布外基准测试中,虽然智能体建模随数据量增加而提升,但物体交互保真度改善缓慢且差距巨大。研究指出单纯依靠数据扩展存在上限,需通过视觉条件设计将容量转向物体动态才能有效缩小差距,相关结论可迁移至人形机器人建模。

  12. arXiv · 机器人与计算机视觉75

    WorldCast:分布式多人世界模型

    这篇论文提出了 WorldCast 架构,旨在生成具有玩家与环境表示一致性的独立控制多视角视图。系统由运行视频生成器和状态模型的本地客户端组成,利用训练时的位置与地图几何信息估计玩家状态,并通过交换玩家状态及投影到相机对齐的场来指导渲染和维持跨视角的场景一致性。

  13. arXiv · 机器人与计算机视觉42

    WorldAlign:解耦的 4D 奖励框架提升 Wan2.1/2.2 视频生成世界一致性

    WorldAlign 提出解耦 4D 奖励框架,通过几何先验优化静态区域、利用 VLM 评估动态主体,在无需人工偏好标注下实现在线后训练。该方法在 Wan2.1 和 Wan2.2 两个预训练图像转视频生成器上联合提升了静态与动态一致性,且未抑制整体或主体运动。

  14. arXiv · 机器人与计算机视觉60

    RiCo:通过局部接触推理进行刚体交互神经仿真

    论文介绍 RiCo 方法,该方法通过稀疏邻域内的接触表面点表示物体间交互,结合点的状态与邻近表面的相对几何、运动及物理属性进行推理。实验显示在 MOVi-benchmark 上相比基线减少 31-35% 的位置和姿态误差,并实现高接触保真度。方法支持从零样本小场景到包含 270 个物体的大场景泛化,且多球碰撞实验提供了初步的仿真到现实迁移证据。

  15. arXiv · 机器人与计算机视觉58

    基于系统辨识的自主水面车辆仿真到现实强化学习

    针对现有自主水面车辆(ASV)模拟器缺乏并行环境且依赖精确水动力建模的问题,本文提出一种利用 CAD 模型和少量开阔水域实测轨迹来近似并修正水动力及推进器参数的框架。该方法实现了无需先验水动力和螺旋桨信息的零样本仿真到现实迁移,在 BlueBoat ASV 上验证了路径跟随与驻留保持任务的成功性。论文已提交至 ICRA 2027,代码开源。

  16. arXiv · 机器人与计算机视觉38

    数字孪生驱动的机器人灵活性:利用人机回环演示强化学习框架

    该研究提出一种结合数字孪生、强化学习与人类演示的人机回环在线训练框架,通过摄像头实时同步虚实系统。在 Ufactory Xarm5 协作机器人实验中,固定非最优演示下,双智能体架构实现 83%-100% 平均确定性评估成功率,显著优于添加模仿损失方法的 0%-17%,且能在物理工作空间变更后恢复训练。

  17. arXiv · 机器人与计算机视觉64

    Traceable World State:面向机器人系统的可溯源世界状态表示与确定性重放框架

    针对长时任务中多源观测置信度不一及修订频繁的问题,该研究提出 Traceable World State(TWS)中间件无关的语义表示与运行时参考架构。TWS 快照记录实体、关系、观测、置信度及修订元数据,通过不可变更新操作支持确定性重放与防篡改日志验证。

  18. arXiv · 机器人与计算机视觉54

    面向物理动力学与相互作用的相位感知视频生成方法

    针对固气动力学及相互作用难以同时保持各相运动特征且需符合物理规律的挑战,论文提出 PAVG 模型。该模型采用双分支架构显式建模固体与气体动力学,利用时空交叉注意力捕捉物理交互,并构建了包含超 70 万条轨迹的仿真语料库覆盖多样场景。评估显示其在运动遵循度、物理合理性与视觉质量上优于现有方法。材料为预印本论文,未报告真实机器人部署结果。

  19. arXiv · 机器人与计算机视觉62

    TAM:面向高效时空预测的任务感知记忆蒸馏方法

    该论文针对知识蒸馏中跨样本预测结构未被充分利用的问题,提出了 TAM 框架。该方法将冻结教师网络的知识组织为有界可检索的历史记忆,通过任务特定的选择规则匹配共享参考或回归残差原型,从而在视频预测、天气预报和交通流预测等多个任务上提升学生模型性能(如 SSIM 和 MSE),且仅在训练阶段使用辅助组件,不增加推理成本。

  20. arXiv · 机器人与计算机视觉69

    Learning to Retrieve:内化记忆检索的视频世界模型

    该论文提出 Learning-to-Retrieve (L2R) 方法,旨在解决现有视频世界模型依赖外部显式记忆系统的问题。该方法将持久内部状态作为历史上下文记忆,通过相机条件化的检索门控决定“检索什么”,并通过基于三维重可见性信号的触发器决定“何时检索”。

  21. arXiv · 机器人与计算机视觉65

    Demonstrating Arena 5.0:面向社交导航开发的逼真 ROS2 仿真框架

    论文介绍 Arena 5.0,这是用于机器人社交导航开发与基准测试的第五代框架。主要贡献包括集成 NVIDIA Isaac Gym 以实现高保真仿真和高效训练;提供涵盖多种难度场景的社交导航策略基准评估;以及扩展的场景生成与任务规划模块以支持紧急救援等定制需求。平台性能经用户研究验证,显著提升了易用性与效率。该框架开源并支持 ROS2。

  22. arXiv · 机器人与计算机视觉72

    IntactWorld:一种基于完整特征的联合世界建模架构

    该论文提出了 IntactWorld 架构,旨在解决现有视频生成模型缺乏真实世界逻辑理解及特征压缩导致结构信息丢失的问题。该方法通过在中间层预测干净特征以消除优化瓶颈,并引入全到紧凑训练范式,用精炼的 CLS token 替代原始完整特征,使空间显存消耗降低 11.4%,推理延迟减少 43.8%。

  23. arXiv · 机器人与计算机视觉82

    信息解耦轨迹设计用于仿真到现实系统辨识

    针对采样式系统辨识中轨迹无法区分不同参数效应导致估计不可靠的问题,作者提出了基于舒尔补得分的信息解耦轨迹设计框架(IDTD)。该方法通过归一化分数、选择最优轨迹片段并聚合对数分数的方式,确保每个区间暴露的参数子集贡献明确。

    推荐理由:提出信息解耦轨迹设计框架,在多种仿真与真实机器人上降低参数识别误差并提升策略迁移效果。

  24. Hugging Face Daily Papers58

    SpatialOPSD:从已验证的代码代理痕迹中自我蒸馏空间智能

    论文介绍 SpatialOPSD,一种基于策略的自我蒸馏框架,旨在让多模态大语言模型(MLLM)将外部工具生成的已验证执行痕迹内化为内部的空间思维链(CoT),从而摆脱对推理时外部依赖的开销。该方法利用重复掩码与不似然正则化来缓解特权信息泄露问题。实验表明,在空间及分布外数据集上,SpatialOPSD 的平均准确率优于监督微调(SFT)和 GRPO,展现出更强的性能与泛化能力。

  25. 量子位80

    MirroS发布AgentGarten:代码造世界,扩散绘现实

    MirroS团队发布AgentGarten,将可执行的代码环境与实时神经渲染器连接,实现超过30 fps的吞吐。系统通过代码裁决物理规则以避免幻觉,利用神经模型生成逼真视觉反馈,支持智能体在捉迷藏、陪伴小狗等场景中通过自我博弈与复盘手册快速掌握策略。项目提供技术报告、博客及GitHub仓库链接。

    推荐理由:MirroS发布AgentGarten,通过代码定义物理规则与神经渲染器实时生成视觉的闭环架构,支持智能体在可执行环境中边玩边进化。

  26. Hugging Face Daily Papers73

    USDCraft:基于几何证据的程序化建模用于仿真中的可动 3D 资产

    针对真实物体超出训练分布或网格损坏导致仿真策略迁移困难的问题,该研究提出 USDCraft 框架,利用预训练大模型生成可执行代码来重构带关节的 3D 资产。方法包含将源网格转换为区分观测表面与未知空间的度量文本描述,以及迭代几何重检查以定位差异并保留未观测区域。

  27. Hugging Face Daily Papers53

    InfiLoop:通过循环原生注意力残差扩展测试时迭代规模

    论文指出循环 Transformer 随迭代次数增加会出现推理精度下降现象,提出 InfiLoop 架构利用内容加权与学习到的时间衰减机制保留有用中间状态并抑制不可靠提议。在 Sudoku-Extreme 任务上达到 97.9% 精确准确率,并在 ARC-AGI-2 任务上取得 13.6% pass@2 分数。代码已开源。