跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉78

    SAFER:解决基于世界模型的自动驾驶规划中的探索 - 利用困境

    论文提出 SAFER 框架,旨在解决基于世界模型的自动驾驶规划中因训练数据覆盖不足导致的探索 - 利用困境。该方法离线阶段利用专家标注的失败日志对部分预训练的代理进行训练,并在仿真环境中引入可恢复的扰动以生成失败样本;在线阶段则通过闭环驾驶持续修正模型超出离线数据覆盖的区域。

    推荐理由:提出 SAFER 框架,利用专家标注的失败日志进行离线预训练以覆盖探索盲区,结合在线闭环修正,在 CARLA 和 MetaDrive 基准上实现最高路线完成率与奖励。

  2. arXiv · 机器人与计算机视觉78

    翻转测试:视频世界模型未能学会世界状态

    该研究通过 FlipTest 对 1,680 帧初始画面中的 25 个任务进行评测,发现所有 11 款视频世界模型均无法准确捕捉微小物理变化(如物体位置毫米级偏移)对未来结果的影响。最佳模型准确率仅 18.3%,低于随机猜测水平,且缺乏对因果状态的识别能力;相比之下,视觉语言模型和代码智能体表现更佳。作者建议社区重新思考世界建模不应仅是像素预测,而需识别控制未来动态的因果状态。

    推荐理由:FlipTest 评测显示现有视频世界模型无法捕捉微小状态变化,建议从纯像素预测转向识别因果状态。

  3. arXiv · 机器人与计算机视觉73

    WA-JEPA:一种用于世界 - 动作模型的基于目标感知的预测性反馈动作细化方法

    WA-JEPA 是一种耦合了动作生成、动作条件潜空间预测和目标感知反馈的世界 - 动作模型。该方法首先生成动作提议并预测未来的场景与本体状态,随后利用任务目标作为参考,通过目标差异残差反馈和未来场景上下文反馈两条互补路径对提议进行迭代细化。

  4. arXiv · 机器人与计算机视觉58

    探究惊喜发生的位置:视频世界模型的局部违反预期评估

    针对现有违反预期基准仅聚合时空误差导致无法定位物理理解缺陷的问题,本文引入局部违反预期评估框架,对比了全局、时间局部化及空时局部化的 V-JEPA 模型表现。研究发现在发育性自我中心视频预训练过程中,全局与局部判断的吻合度呈非单调变化,且局部判断置信度随准确率提升而增加,证实全局误差不能直接作为物理违规的时空证据。

  5. arXiv · 机器人与计算机视觉83

    Frame First, Decode Once:面向系统一世界模型的物体中心坐标与单次解码方法

    论文研究了当单步原语解码器作为系统一世界模型时的关键因素。在 ManiSkill3 PushT-v1 和 lerobot/pusht 数据集上,将输入输出表达为物体初始姿态的 SE(2) 坐标系比世界坐标系降低决策后悔值 1.9-2.2 倍;单步解码延迟为 1.6-1.8 毫秒,优于迭代扩散模型。

    推荐理由:该研究对比了单步解码与迭代解码在系统一世界模型中的表现,证实物体坐标系能显著降低决策后悔值且单步解码延迟更低。

  6. arXiv · 机器人与计算机视觉82

    TyphoonWorld:一种用于台风图像概率预测的残差 Token 世界模型

    TyphoonWorld 是一种离散 Token 的世界模型,专门针对卫星台风预报生成回归网络平滑后的残差场。该模型以回归预报 Token、最新帧和最佳路径状态为条件,逐层采样残差并加到回归中心上。

    推荐理由:该工作提出残差 Token 世界模型,在台风图像概率预测中匹配回归误差并降低对流区域 CRPS。

11月16日周一
  1. 量子位50

    是石科技发布多模态模型服务,推理提速 2.48 倍且画质不掉线

    是石科技正式发布多模态模型服务,通过自适应缓存加速、SGLang 显存协同及免训练 Token 压缩等技术,在保障生成质量前提下实现端到端平均 2.48 倍推理加速与 WorldSense 评测中 1.33 倍理解提速。该方案结合 Context Engine 结构化衔接素材与指令,构建覆盖 API 接入到结果交付的完整生产链路,解决批量生产中效率与质量的平衡难题。

  2. 量子位42

    通芯智能发布面向 AGI 的推理芯片方案,规划 Vector/Tensor/AGI Core 三类单元以加速图结构与因果推断计算

    由朱松纯教授发起、北京通用人工智能研究院孵化的通芯智能成立半年完成数亿元融资,正设计兼容主流模型并支持逻辑因果推理的新型 AGI 推理芯片。该公司规划 Vector、Tensor 与 AGI Core 三类单元,其中 AGI Core 专门加速图结构存储处理及概率计算,旨在解决智能体在真实物理世界行动时的效率瓶颈。

  3. 盖世汽车 · 汽车资讯58

    恩智浦推出统一机器人平台加速可信物理人工智能部署

    恩智浦半导体发布全新的统一机器人平台,该平台基于其“神经轴架构”,能够安全连接感知、实时控制及 AI 处理功能。通过预集成的软件和经过验证的子系统互操作性,开发者可从电机控制等单一功能快速扩展至构建完整的自主无人机系统,将原本需数月的集成与验证工作量缩短至几天或几周。平台整合了恩智浦在安全与功能安全方面的技术,助力开发人员构建下一代值得信赖的物理人工智能系统。

  4. arXiv · 机器人与计算机视觉30

    Foundation Model Driven Robotics:基于基础模型的机器人技术综述与未来路线图

    该综述系统梳理了大语言模型和视觉语言模型在感知、规划及人机交互领域的进展,将应用划分为仿真驱动、开放世界操作等四个方向。文章重点分析了程序化场景生成与策略泛化等关键趋势,同时指出了具身数据匮乏、安全风险及算力限制等核心瓶颈。最后提出了通过构建更鲁棒的可解释模型来弥合语义推理与物理智能差距的未来研究路线图。

  5. arXiv · 机器人与计算机视觉23

    遥操作干预提升自驱动实验室韧性研究

    针对自驱动实验室(SDL)自动化流程故障,该研究开发了基于 UR3e 机械臂与 3Dconnexion SpaceMouse Pro 的遥操作接口。对比测试表明解耦控制器模式缩短了任务完成时间并减少旋转运动,且无参考路径引导时用户更具目标导向性。工作验证了人机回环机制在 SDL 故障恢复中的可行性,为未来共享自主性研究奠定基础。

  6. arXiv · 机器人与计算机视觉82

    TelePhysica:基于智能体的物理交互式场景重构方法

    TelePhysica 是一个闭环框架,旨在从单张照片重建可执行的多体制物理世界,以驱动状态化的三维交互和轨迹感知的视频合成。该方法利用视觉语言编码智能体生成分离的视觉网格和声明性物理模型,并通过像素对齐轮廓批评与零力重力平衡预飞检查进行两阶段验证。

    推荐理由:该工作提出闭环框架,从单张照片重建可执行的物理世界以驱动状态化交互与视频合成。

  7. arXiv · 机器人与计算机视觉48

    Beyond Prediction Gain:LASR 作为世界模型中动作 grounded 潜变量的评估指标

    针对大规模视频数据缺乏动作标注且现有评估无法区分预测捷径与真实动作信息的问题,研究提出 Latent Action Support Ratio (LASR) 这一无单位离线指标。该基准通过机器人操作记录数据验证了 LASR 能检测已知动作信息、拒绝非动作捷径并支持不完备潜变量的分级比较。此外,利用 LASR 训练和审计的轻量残差适配器获得了描述性更优的点估计值及其不确定性评估。

  8. arXiv · 机器人与计算机视觉45

    EViDS:环境 - 车辆动力学集成仿真平台助力智能底盘开发

    EViDS 是首个将 CARLA 环境感知与 CarSim 高保真动力学集成的仿真平台,通过射线铸造轮胎路面交互及参考姿态对齐技术维持时空一致性。该平台支持在线闭环智能底盘控制,在动力学特性保持与环境信息可靠传递的测试中表现优异,为环境感知型智能底盘开发提供统一验证基础。

  9. arXiv · 机器人与计算机视觉74

    学习潜在目标成本以支持视觉世界模型的规划:基于扩展课程的方法

    针对冻结视觉世界模型中图像 - 目标规划依赖预测观测评分的问题,本文提出在预训练 I-JEPA 嵌入上拟合小残差适配器来优化潜在目标成本。该方法利用成功轨迹的观测顺序及失败回滚推断的比较进行学习,无需任务特定进度标签。

  10. 上海人工智能实验室 · 科研动态78

    上海AI实验室发布开源书生科学多模态大模型S2.1 Flash

    上海AI实验室发布并开源书生科学多模态大模型S2.1 Flash(简称书生-S2.1 Flash),依托统一表征架构支持分子、光谱等多类科学数据输入,融合视觉感知操控科研软件能力。模型在递归式自我改进模式下持续迭代优化,已在CT切片恢复、遥感水域变化量化、航空发动机装配建模检查及脑电伪迹剔除四项任务中验证闭环执行能力,推理成本显著降低且交付可复核的工程文件。

    推荐理由:上海AI实验室发布书生-S2.1 Flash,融合科学多模态理解与通用智能体能力,支持在专业软件中执行复杂科研任务并交付可复核的工程文件。

11月14日周六
  1. Hugging Face Daily Papers72

    Agentic On-Policy Distillation Implicitly Reshapes LLMs' ReAct Patterns

    该论文研究了同策略蒸馏(OPD)如何重塑语言模型智能体在数学、ALFWorld 和 tau^2-bench 等任务中的 ReAct 交互模式。研究发现,通用推理监督能将数学工具尝试率从 70.4% 降至 14.4%,准确率从 16.7% 提升至 38.0%;代码解释器监督改善了家庭操作和零售查询能力。

11月13日周五
  1. arXiv · 机器人与计算机视觉82

    Instant NuRec:面向驾驶场景仿真的前馈式 3D 高斯重建模型

    NVIDIA 发布 Instant NuRec,这是一个前馈神经网络模型,旨在解决传统神经仿真方法速度慢且需逐场景调优的问题。该模型仅需一次前向传播,即可将多视角驾驶日志(约 10-20 秒)快速重建为包含静态与动态层的 3D 高斯泼溅(3DGS)世界、天空立方体及相机 ISP 校正结果。

    推荐理由:NVIDIA 提出 Instant NuRec,通过前馈网络将多视角驾驶日志在约 1.5 秒内重建为可仿真的高斯泼溅场景,性能优于现有基线。

  2. arXiv · 机器人与计算机视觉35

    AI Sandboxes:威胁模型、分类学与测量框架发布

    该研究提出"AI Sandbox"装置定义及五种原型架构,建立十五维测量指标与最弱环节许可规则以界定部署主张。框架涵盖驾驶、工业控制等四类实例的威胁建模,明确实验边界对证据解读的影响并映射至标准规范。预印本 arXiv:2606.18532 含 42 页正文及图表,旨在识别受控实验支持的声明与需进一步验证的假设。

  3. arXiv · 机器人与计算机视觉58

    Addressable Memory for Video World Models

    该论文研究了交互式视频世界模型中的视觉持久性问题,发现当生成长度超出训练范围时,基于 KV Cache 的模型因位置编码偏移过大而难以检索信息。作者提出无需训练的 WorldTrace 框架,通过为压缩后的记忆槽分配独特的虚拟位置来保持可寻址性,并利用模型自身的注意力机制决定保留哪些观测或合并冗余内容。

  4. arXiv · 机器人与计算机视觉82

    NVIDIA 发布 OmniDreams:面向自动驾驶闭环仿真的实时生成式世界模型

    NVIDIA 发布 OmniDreams,这是一个基于 Cosmos 扩散模型中后训练的实时生成式世界模型,旨在解决长尾场景下自动驾驶策略安全评估的瓶颈。该模型通过自回归方式根据过去帧、当前仿真状态及即时驾驶动作生成逼真的传感器视频,能合成极端天气和不可预测的动态行为等难以捕捉的现象。

    推荐理由:NVIDIA 推出 OmniDreams,利用 Cosmos 扩散模型基座实现实时闭环生成,支持极端场景与动态交互,并展示在 NuRec 数据集上优于 Alpamayo 1.5 的预训练策略性能。

  5. arXiv · 机器人与计算机视觉42

    LLM-to-Phy3D:LLM 驱动物理合规的在线三维物体生成方法

    LLM-to-Phy3D 提出一种新颖的在线黑盒优化循环,通过视觉与物理评估反馈驱动大语言模型实时生成符合物理约束的三维设计。在车辆设计优化消融研究中,该方法相比传统 LLM-to-3D 模型使目标域设计的物理合规性提升 4.5% 至 106.7%,显著增强了几何新颖性与工程性能。该成果已被 IEEE CEC 2026 接收并发表,为科学和工程领域的生成式设计提供了新的 AI 驱动解决方案。

  6. arXiv · 机器人与计算机视觉48

    PCM-PPO 方法实现土星探测器自主任务规划

    针对土星探测极端环境,该方法提出物理约束掩蔽近端策略优化(PCM-PPO)以实现自主任务规划。研究建立土星特定离散马尔可夫决策过程并融入系统动力学与几何模型,通过物理约束动作掩码构建可行决策域以规避不可行探索。对比、消融及不确定性实验验证了该方案在资源受限下的有效性,为深空探测提供了可行且可解释的自主规划路径。

  7. arXiv · 机器人与计算机视觉82

    AFTER:一种用于错误驱动保留的具有自适应快慢时间尺度的世界模型

    针对机器人交互中动力学突然且持久变化的适应难题,论文提出了 AFTER-WM 世界模型。该模型受人类大脑预测编码启发,利用预测误差驱动快速修正(衰减)与慢速修正(持久),并动态调整预训练专家的组合权重而不改变其本身,以平衡响应性、稳定性与持续性。

    推荐理由:提出 AFTER-WM,利用快慢时间尺度自适应机制解决动力学突变下的预测误差累积问题。

  8. arXiv · 机器人与计算机视觉75

    基于高斯过程的信息路径规划:误差界、算法与基准

    本文针对环境监控中的信息路径规划(IPP)问题,指出当前方法受限于启发式约束且缺乏同时满足最坏情况估计误差和逼近质量的理论保证。研究通过评估重构误差的概率与确定性界限,证明预测方差是 GP 基 IPP 的理论理想优化目标;分析表明 GreedyCover 算法的近似保证匹配了该问题的根本性近似硬度极限。

  9. arXiv · 机器人与计算机视觉82

    PhysCapBench:首个跨域物理 grounded 视频描述基准发布

    PhysCapBench 是首个统一涵盖第三人称场景、第一人称操作及手持夹爪演示的物理标注基准,包含 1,500 条经人工验证的视频序列并覆盖七个物理维度。该基准显示,相比仅含元数据的描述,富含物理信息的视频语言监督可将视频重建的 LPIPS 误差降低 8.6% 至 30.9%,并在 pi0.5 策略微调任务中带来 7.5 个百分点的成功率提升。

    推荐理由:PhysCapBench 作为首个跨域物理标注基准,通过量化语言监督中的物理信息缺失,为视频重建与策略微调提供了可检验的评估标准。

  10. arXiv · 机器人与计算机视觉65

    不完美检测下的主动物体搜索需要何种世界模型?一项研究

    针对不完美检测如何影响机器人“看哪里”和“何时停”的决策问题,该研究提出了贝叶斯主动漏检感知物体搜索(BAMOS)方法,在 Isaac Sim 仿真环境中系统考察了目标信念、占用信念及检测误差对搜索策略的影响。实验表明,维持并更新目标信念对于在不确定观测下实现可靠搜索至关重要,且其贡献度随检测误差增加而提升。该工作已被 CoRL 2026 Workshop 接收,代码已开源。

  11. arXiv · 机器人与计算机视觉83

    CoCode-World:面向多人世界模型的共享 3D 代理表示

    论文提出了 CoCode-World,这是一个用于双人视频生成的共享 3D 代理框架,旨在解决多玩家生成模型中不同视角下共享实体的一致性难题。该方法将场景布局、运动和遮挡的结构控制与角色及场景外观的视觉合成分离:可编程代理定义结构信息,RGB 引用引导外观细节;通过拼接成对的代理视频、外观参考和目标视图,利用预训练视频模型的注意力机制在单一生成分支内实现跨视角通信。

  12. arXiv · 机器人与计算机视觉78

    未来预测分数忽略了什么:关于世界模型的预测还是持续?

    预训练视频世界模型常依据未来预测分数进行选型,但该分数混合了编码器质量、近期相似性及预测器贡献。研究通过匹配对照组在 2.7 万家庭第一人称视频试验中分离三者,发现 V-JEPA 系列内部预测器贡献差异显著,且仅对动作条件化模型为负值。建议报告未来预测分数与其持久性基线的差距以增强可解释性,下游效用需另行评估。

    推荐理由:提出用匹配对照组分离预测分数与编码器效应,建议报告差距而非原始分数以评估世界模型真实性能。