跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉70

    3D-MoE:面向空间智能的混合专家 3D 视觉语言动作模型

    该论文提出 3D-MoE,一种利用混合专家架构和模态感知概率路由的高效 3D 视觉语言模型。研究集成基于扩散的动作头 Pose-DiT,将模型转化为能生成精确 6D 姿态的 3D 视觉语言动作(VLA)模型,支持机器人操作任务。实验表明该模型在多个基准上表现优异,激活参数大幅减少且推理实时,已接受 EMNLP 2026。代码开源。

11月3日周二
10月30日周五
10月25日周日
  1. Hugging Face Daily Papers68

    ProAS:一种用于多轮代理强化学习的进度感知优势塑造框架

    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。

10月23日周五
  1. arXiv · 机器人与计算机视觉80

    DRILL:通过改进策略而非预测像素来训练世界模型

    论文指出当前世界模型多用于预测下一帧像素,但这并非强化学习中想象回放的唯一目的;作者提出 DRILL 框架,利用下游回报信号更新世界模型。实验显示该方法在五个操作仿真器和两个 VLA 骨干上均能提升策略成功率,且能与 RLVR 预训练互补而非竞争。

    推荐理由:提出 DRILL 框架,证明以策略效用为目标的世界模型训练优于单纯像素预测,在多个仿真器与 VLA 骨干上提升成功率。

10月21日周三
10月16日周五
  1. arXiv · 机器人与计算机视觉78

    视觉语言动作模型中世界建模的关键因素研究

    论文提出将世界模型集成到视觉语言动作模型(VLAs)以增强策略对未来动态的预测能力。研究通过统一框架系统评估了四种范式:隐式未来对齐、显式未来查询、MoT 未来专家和外部分布预测器,并在域内/外、长视界及真实场景下进行了测试。

    推荐理由:该研究通过统一框架系统评估了四种世界模型集成范式,发现解耦的 MoT Future Expert 在跨域鲁棒性上表现优异,且 2D 语义表示具有通用增益。

10月14日周三
  1. Hugging Face Daily Papers53

    Interlock:从局部正确到任务完成的长程智能体框架

    论文提出 Interlock 框架,旨在解决大语言模型智能体在处理碎片化证据和依赖关系时产生的局部正确但结果不完整的问题。该框架将每个任务表示为类型化的完成图,包含连接公共证据与决策的接地边、跨组件施加联合约束的超边以及连接决策与下游效果的实现边。