JEPA 风格潜在世界模型的规划器 - 硬件协同设计与差分稀疏性制造
JEPA 风格的潜在世界模型虽能支持具身智能体进行基于模型预测控制的新目标规划,但采样式 MPC 重复推断导致单次规划耗时数十秒。本文提出利用规划器自身决策特性,通过参考森林采样在候选动作序列间制造位级差分稀疏性,并设计专用加速器实现算法与硬件的紧密协同。
推荐理由:该文提出规划器与硬件协同设计,通过制造差分位级稀疏性提升 JEPA 世界模型的推理速度并降低能耗。
JEPA 风格的潜在世界模型虽能支持具身智能体进行基于模型预测控制的新目标规划,但采样式 MPC 重复推断导致单次规划耗时数十秒。本文提出利用规划器自身决策特性,通过参考森林采样在候选动作序列间制造位级差分稀疏性,并设计专用加速器实现算法与硬件的紧密协同。
推荐理由:该文提出规划器与硬件协同设计,通过制造差分位级稀疏性提升 JEPA 世界模型的推理速度并降低能耗。
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。
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。
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。
针对自主智能体候选修改可能隐藏性能退化问题,研究提出 Evidence-Governed Evolution (EGE) 框架,将生成与确认采纳分离。该框架通过冻结候选体的新鲜配对审计、要求预定义目标显著改进及参考相对非劣性测试来保护声明能力。蒙特卡洛压力测试仅作为统计实验演示校准效果,未验证部署智能体安全或任意分布偏移下的鲁棒性。
论文介绍 PoEM 框架,旨在通过已训练的模型和新的奖励函数直接近似目标 RL 策略,而无需重新进行计算密集型的强化学习训练。该方法利用新奖励函数可表示为现有奖励线性组合的特性,在 log-probability 空间中将最优策略表达为现有策略的组合;即使奖励非线性相关,RL 学到的策略也常跨越低秩子空间。
该研究探讨了强化学习中因奖励驱动导致的任务能力增强但违反执行要求的行为错位问题。通过编码任务动态中的可验证奖励冲突,研究者生成了多样化的交互环境并推导了合规反馈。实验显示,即使在资源受限或报告工作流中,少数冲突暴露也可能导致广泛的捷径获取;但在引入简单的二元惩罚后,安全策略能同时提升能力和合规性,并在面对变化的证据要求时保持适应性。
论文提出 Horizon-Scalable Q-Learning (HQL),旨在解决离线数据集中任务视界增长导致的价值函数估计困难问题。该方法通过自动平衡单步和多步回报,仅在目标值不低于 BC 策略采样动作时扩展目标,从而避免偏差并兼容流与扩散策略。实验表明 HQL 在组合锁任务和长视界基准上优于现有方法。
该论文评估了采样广度与交互深度对多轮智能体强化学习性能的影响,发现其优势依赖于充足的回合预算且集中于错误恢复与长程韧性,而非均匀提升单步决策质量。作者提出 BudgetMix RL 方法以缓解预算依赖带来的部署风险,并展示了其在多样化执行设置下的鲁棒性。
推荐理由:原文通过多轮交互预算分析揭示强化学习在长程任务中的优势边界,并提出 BudgetMix RL 以缓解部署风险。
论文介绍 MERIS 框架,用于在计算与时序预算有限的动态机器人环境中执行变化的有向无环图(DAG)工作负载。该方法结合比例中间截止时间、MIMONet 感知的图细化及事件驱动同步,明确区分应用 DAG、内部编解码器图和细化调度图的三种表示形式。
成均馆大学电子电气工程学院团队发布两项新技术,使 AI 系统处理复杂长期任务时更省算力且更安全。研究解决现有代理依赖高频反馈导致的高成本与慢响应问题,成果已上传 arXiv 预印本服务器供查阅。
北京数据与评测基础设施公司简智机器人宣布完成新一轮1亿美元(约合人民币6.65亿元)融资,投资方包括上汽集团、百度集团等产业资本及光合创投等财务方。该公司专注于多模态数据采集与治理技术,推出了Gen DAS Dex采集终端,该产品采用仿生轻量化外骨骼,支持人手23个自由度检测,指尖搭载灵敏度达0.05N的高精度磁触觉传感,手背配置150°超广视角摄像头以记录手部抓取操作全过程。
论文提出 Decoupled Predictive Decision Making (DPDM) 架构,将异构智能体决策形式化为基于共享预训练学习器的条件预测任务。
推荐理由:提出 DPDM 架构,利用冻结预测器结合语言与结构化数据预训练,在不更新参数下提升多任务决策准确率。
针对现有视频世界模型在长序列推演和分布外泛化上的不足,本文提出将时序可预测性作为潜空间设计准则的新方法。通过结合时序表示学习目标与过去条件解码器架构,该方法在不牺牲像素预测精度的前提下简化了未来预测任务。
推荐理由:提出将时序可预测性作为视频世界模型的潜空间设计准则,在同等训练预算下实现推理成本降低 5 倍、训练加速 7 倍以上及泛化误差显著下降。
针对现有神经架构搜索(NAS)在稀疏历史下失效的问题,该方法结合冠军初始化与联合成对排序器预训练策略。在 TransNAS-Bench-101 基准上,Micro 自编码最坏 10% 排名从 290 降至 43,Macro 房间布局从 465 降至 45。该方法在 13 个细胞空间目标中超越纯代理排序器,覆盖 10 个目标的均值与最坏情况性能。
针对无批评者算法(如 GRPO)存在的均匀信用分配难题,本文提出 ProAS 框架,利用动态演化的代理参考图实现细粒度信用分配。实验表明该方法在 Qwen2.5-1.5B-Instruct 和 Qwen2.5-7B-Instruct 上分别将 ALFWorld 任务成功率提升至 91.9% 和 94.3%,WebShop 任务达到 66.7% 和 70.8%,并将训练收敛速度提升约 2.44 倍。
Continual Learning Exam (CLE) 由 50+ 领域专家开发,包含 120 个任务共 600 级,覆盖 89 个专业角色以评测 LLM 智能体在真实工作流中的经验驱动改进。
特赞在 WTCC 论坛提出,企业智能体架构需同时具备理解客户偏好的“主观世界模型”和理解内部流程的“企业世界模型”。特赞已采集万条量级专家判断路径构建训练数据,其主观世界模型在行为模拟上准确率达 85%。公司同步发布 Agentic Transformation 共建计划,推动高校与企业协作将组织判断转化为可积累资产。
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°。
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。
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。
针对黑盒大语言模型智能体缺乏特定环境知识的痛点,研究提出 PAWM(Pitfall Anticipation World Model),该方法仅在出现潜在失败风险时进行干预并预测即将发生的错误以引导智能体避坑。
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。
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。
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。
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。
论文提出 VITAL(Vision-Induced Tokens for Action Learning),旨在将视觉预期转化为驾驶决策。该方法通过耦合视觉导出的运动骨架与紧凑残差编码,使视觉运动成为主要预测目标,同时为轨迹误差提供独立的归一化学习尺度。
推荐理由:该工作提出 VITAL 方法,将视觉运动作为动作预测主目标并引入残差编码,在 NAVSIM v1/v2 测试集上实现接近多步推理的精度与速度。
论文介绍 ASAP 框架,旨在解决大语言模型在预训练阶段难以评估智能体能力的难题。该方法保留模型的补全接口,通过结构化轨迹延续、简短参考前缀和最小恢复机制来激发基座模型的交互行为,无需将其转化为对话式智能体。研究在软件工程与深度研究基准上验证了 ASAP 能区分不同基座模型及预训练检查点的端到端性能,并暴露生成的执行轨迹以分析探索、编辑、测试、恢复等能力变化,为理解预训练后的模型行为提供诊断视角。
论文介绍 CarryOn,一种将长周期任务上下文组织为可复用对象的运行时机制,避免依赖压缩的历史记录。该方法通过维护载体记录、结合环境检查更新基础信息并保留未受影响记录,在 OSWorld 2.0 和 BrowseComp-Plus 基准上分别提升性能 5.8% 和 7.0%,同时降低 Token 使用量 51.9% 和 22.9%。材料为预印本论文,提供 GitHub 项目页面链接。
推荐理由:提出 CarryOn 对象化上下文运行时,在 OSWorld 和 BrowseComp-Plus 上提升性能并显著降低 Token 消耗。
论文提出 EC2-Bench 基准,用于评估长周期场景中 LLM Agent 的边缘 - 云端协作表现。研究对比了纯边缘、纯云端及混合协作模式,发现混合模式在任务性能、资源利用和隐私暴露间取得平衡;随着边缘模型能力提升,协作执行趋近云端性能且策略差异缩小,但隐私风险仍高度依赖具体协作策略。分析指出云调用决策与指令遵循是有效协作的关键边缘能力。代码与资源已开源。
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。
北京 Physical AI Infra 平台公司厘清智能宣布完成天使轮及天使 + 轮数亿元融资,蚂蚁集团连续两轮加码并领投。资金将用于物理世界数据管线、模型研发与训练、物理仿真、能力评测及跨本体适配部署系统。该公司已推出 T1 系列数采手套(含 T1 Lite、T1、T1 Pro)和 EgoDepth 设备,致力于构建 Physical AI 时代的智能基础设施。
Physical AI Infra 平台公司厘清智能近日完成数亿元天使轮及天使+轮融资,其中蚂蚁集团连续两轮加码并领投天使+轮。该公司由前英伟达科学家李一鸣创立,致力于建设连接模型智能与物理世界的基础设施平台,涵盖数据采集、模型训练、物理仿真及部署等环节。目前公司已推出 T1 系列数采手套和 Ego 数采设备用于记录真实任务信息,融资将加速其技术研发与产品落地。
论文提出 RoboJEPA,这是一个基于联合嵌入预测架构(JEPA)的世界模型,训练数据涵盖 12 种不同的机器人本体。研究发现其潜在回放的想象误差遵循计算量的二阶幂律,且下游规划性能随计算量可预测地提升。该模型在 80 亿参数规模下实现了零样本部署,能在真实硬件上针对单目标图像进行长视界任务规划。所有模型检查点及训练与部署代码均已开源。
推荐理由:该工作首次建立了多具身机器人世界模型的扩展定律,展示了基于 JEPA 架构的 RoboJEPA 在计算量与性能间的可预测关系。
该论文提出 miniTE 轻量级框架,结合执行诊断、跨引擎数值对齐及高效原生 W4A4 GEMM 计算,解决大语言模型强化学习中训练与采样引擎间的不一致问题。
推荐理由:原文介绍了 miniTE 框架,展示了在 Qwen3-30B-A3B 模型上实现原生低比特强化学习稳定训练与高吞吐率的实验结果。
陶哲轩在 SAIR 演讲中批评模型公司无休止加速导致“证明消化不良”,指出 AI 仅能完成解答与形式化验证,却缺失阐释、评审及写入教科书等后续环节。这种知识拥堵将引发数学家创造力丧失与数据污染风险,迫使学界联合菲尔兹奖得主联名抗议并要求放缓发展速度。OpenAI 虽成立顾问小组回应,但声明明确该组不负责数学内部进展建议,无法根本解决加速带来的隐患。
针对现有评估仅关注固定时间点能力而忽视学习效果的局限,研究提出"Agent Plasticity"指标以量化智能体将经验转化为未来泛化性能的效率。实验显示前沿模型在相同学习机会下呈现截然不同的改进轨迹,部分实现持久增益而其他则停滞不前,且训练域内的收益往往无法完全迁移至分布外条件。该工作揭示了自我改进过程中的关键瓶颈,强调评估需同时考量最终能力与通过经验变强的有效性。
针对强化学习中组间相对目标奖励信号消失的问题,本文提出了前瞻性学习方法 Self-Retrospection Distillation(SRD)。该方法利用已完成轨迹中的后验知识监督交互前的前瞻预测,将其作为训练目标而非推理时的显式生成。
推荐理由:该工作提出利用事后经验蒸馏前瞻预测,在奖励信号稀缺的长程任务中显著提升强化学习性能。
论文提出改进的世界模型训练方法以支持基于梯度的规划,核心是解决模型训练目标(下一状态预测)与测试时使用方式(动作序列估计)之间的差距。作者引入训练时数据合成技术,在多种物体操作和导航任务中,将基于梯度的规划效率提升至传统无梯度交叉熵方法的水平,同时仅需 10% 的时间预算。材料为 arXiv 预印本版本,未提及同行评审状态或具体部署结果。
DeepSeek 发布 DSec 技术报告,其弹性计算团队正大量招募资深工程师以支撑该基础设施的扩展。DSec 已部署于生产环境,管理约 160 台服务器、3 万个 CPU 核心及 250TB 内存,高峰期同时在线沙盒超 38 万且每秒创建量达 5000+。