ImageRSI:面向智能体图像生成的验证驱动递归自改进框架
针对复杂文本生图请求难以可靠满足的问题,本文提出 ImageRSI 框架,该框架冻结图像生成器,结合任务内五维验证与修复、跨任务共享经验库及基于监督微调的离线法官更新。
针对复杂文本生图请求难以可靠满足的问题,本文提出 ImageRSI 框架,该框架冻结图像生成器,结合任务内五维验证与修复、跨任务共享经验库及基于监督微调的离线法官更新。
研究发现当 VLA 模型以 bfloat16 存储可训练权重且无 fp32 主副本时,AdamW 优化器会将小于 1/512 权重的更新静默舍入丢弃。在 LIBERO 基准测试中,移除该 fp32 副本导致 SmolVLA 和 pi_0.5 模型的成功率分别从 4.3% 提升至 49.3%、从 5.1% 提升至 80.9%,且修复方案仅需一行代码修改 LeRobot 配置。
推荐理由:作者发现主流 VLA 微调默认配置因缺失 fp32 主副本导致更新静默丢失,提供修复方案并验证其显著提升成功率。
该论文介绍 KiRoSe 框架,旨在将机器人演示数据分割为不重叠的时间与语义子段以辅助学习与清洗。针对直接摄入多路视频流成本高且易耗尽上下文的问题,该方法聚焦于机器人运动学数据流,提出稀疏运动令牌(SMTs)来紧凑表示重复的运动模式。
针对长程智能体面临的知识复用与快速适应矛盾,本文提出 HaMo 框架,通过蒸馏轨迹为策略级经验卡片实现即时检索,并利用经验条件化的持续学习目标训练模型跨语境执行策略。实验表明该方法在域内和跨域偏移下均优于单一 Harness 或单一模型适应方案,有效提升了知识保留与新任务适应能力。
Teradyne Robotics(Universal Robots 母公司)宣布与 Sereact 达成合作伙伴关系,旨在加速物理 AI 解决方案在零售、物流和制造领域的应用。
本文研究了如何组织智能体框架(Agent harnesses)的验证工作以提升输出质量,提出了涵盖初始指令、执行提醒、完成门控和独立审查的四层框架。
推荐理由:该研究通过对比 17 种验证设计,为智能体工具调用中的测试时扩展提供了实证指导。
本文介绍了 Δτ-Bench 基准,用于评估大型工具生态系统结构演化下智能体的适应能力。该基准包含 1,588 个多轮任务,覆盖 42 个领域及六个连续生态状态。评测显示最强模型成功率仅为 42.3%,且现有技能学习方法无法随生态演变持续优化。研究据此提出了 Steward 系统,通过增量维护与动态配置实现更高成功率与更低开销。
推荐理由:该基准评测了智能体在工具生态演变下的适应力,揭示了现有技能学习方法难以持续迁移的瓶颈。
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。
达瓦科技发布实时世界模型产品Scenes AI,在2026 NVIDIA创业企业展示中拿下「半程展示卓越企业奖」。该模型不预测下一帧画面,而是维护包含场景、物理、光照等变量的持续运行世界状态,仅更新发生变化的局部(如天气、画风),其余状态保持锁定。
奇瑞在 2026 全球创新大会上发布为物理 AI 而生的垂类基础大模型 CheryMind 及自主可控的紫微 C/S/M 系列芯片。现场首发了支持 L4 级无人驾驶的全球原生前装 Robotaxi 智能体、飞行速度达 120km/h 的全自主复合翼 eVTOL 飞机智能体,以及充电 5 分钟续航增加 500km 的迅龙秒充技术。
本文介绍 BRIDGE 方法,通过双路径架构和可学习二值门控,将主体位置嵌入路由至以主体为中心或以背景为锚点的坐标,解决现有掩码编辑器纠缠目标的问题。
推荐理由:提出双路径架构与离散门控机制,在保持背景的同时提升局部编辑精度。
该研究指出轨迹评分规划器在处理路口替代指令时存在超过 30% 的忽略率,归因于现有指标未明确测量导航遵循及数据集缺乏多指令配对。为此提出二值化导航合规指标(NAVI)与可控性度量(CM),并发布包含 14,918 个路口场景及所有可行替代指令的 NavControl 数据集。
H-2DGS 提出一种三阶段管道,将受限视野下的光真实感皮层重建与全脑 MRI 及扩散纤维束路径融合。该方法在五个真实神经外科手术案例中实现了低多视图深度不一致性、7.97MB 紧凑表示以及每帧 29--42ms 的交互式渲染。其生成的清晰可变形表面能明确整合纤维束追踪与解剖结构,有效支持术后对齐任务。
论文介绍了OpenTac,这是一种新型传感器及其全栈生态系统,旨在支持高度定制化、可扩展且在下游机器人控制与学习中易于部署的触觉皮肤。核心贡献包括开发了一种具有结构化变形覆盖层的可扩展电阻式触觉皮肤,能将切向载荷转化为空间变化的压力;以及提供一款高度可定制的传感器设计工具,能从2D轮廓或抽象文本描述自动生成制造文件。
推荐理由:作者开源了可定制触觉传感器的硬件、CAD设计工具及仿真生态,并展示了在多种机器人上的部署与性能提升。
针对视觉语言动作模型在执行任务时易出错且难以持续人工监督的问题,本文提出利用模型内部激活值进行进度监测的新思路。研究通过在演示数据上训练线性探针来估计执行进度,并在偏离预期进度时发出警报。实验在开源 VLA 模型 pi_0.5 及模拟与真实操作任务中表明,该方法在故障检测效果上与基于外部视觉语言模型的监督方法相当甚至更优,且无需依赖外部基础模型或失败数据训练。
该预印本论文提出一种在线可修正的语义映射框架,利用多视图时序证据持续更新物体表示的点级置信度,结合跟踪与重识别保持实例身份。实验显示在 Replica 和 ScanNet 数据集上分别提升 3.46% 和 2.55% 的映射精度,并在动态环境与感知噪声下表现鲁棒,支持物体导航与具身问答任务的成功率分别为 82.4% 和 76.7%。
arXiv 发布了一篇关于机器人集群控制的预印本论文,提出利用概率能量建模作为统一表示来协调多样化任务。该方法将基本群体行为编码为可复用的能量项,通过轻量级策略门控组合去中心化策略而无需重新训练。实验在无人机集群上验证了该框架在六个任务类别、10 至 100 个智能体以及两种硬件平台上的零样本泛化能力,仿真成功率达 96% 至 100%,且物理部署证实了对真实平台和无序环境的迁移效果。
推荐理由:该预印本提出概率能量建模统一框架,支持多任务零样本迁移与跨平台部署。
论文提出了 Joint-CI 方法,用于统一融合带有点特征、物体特征及混合地图的多机器人分布式右不变扩展卡尔曼滤波(RI-EKF)SLAM。该方法通过构建接收机器人的位姿与公共特征的联合估计,在保留机器人 - 特征及特征 - 特征相关性的同时,利用部分状态协方差交集完成融合。蒙特卡洛仿真和基于真实数据集的实验显示,Joint-CI 在提升估计精度的同时,保持了不确定性的一致性与适度保守性。
HimmBO 提出两阶段方法,将偏好驱动的适配器合并扩展至超大规模集合并降低生成成本。其筛选阶段通过预生成图像的等值集估计恢复活跃适配器集,无需额外生成;精炼阶段在低维子空间优化合并系数。实验显示该方法在模拟用户图像匹配任务中相似度更高且所需生成次数不足先前的十分之一,性能随 1080 个适配器集合增长保持稳定。
CAVC 提出了一种训练免费的模态非对称缓存架构,通过中期缓存可恢复的音频计算并保留视频分支独立细化,将推理加速比提升至 1.10--1.35x。该方法在多个公开基准测试中改善了视觉动态与时间统计指标,同时保持了具有竞争力的音频保真度及视听对齐效果。
针对视觉语言动作(VLA)模型在与其他机器人或人类协作方面的能力不足问题,本文提出 Co^2Gen 框架。该框架利用去中心化协同规划方法生成可执行的多机器人协作计划,进而产生协作演示数据用于微调 VLA 模型。实验表明,基于该方法生成的数据进行微调的模型,在执行去中心化协作任务时的表现与使用人类遥操作数据微调的模型相当。
推荐理由:提出无需遥操作的协同规划框架,生成数据微调 VLA 模型效果媲美人类演示。
MoRE 提出了一种结合轴分类与 Plücker 系数坐标对齐的关节属性编码,通过可微期望将属性重建与其诱导的运动耦合。该方法在 PartNet-Mobility 和 ACD 数据集上展现了优于基线的部件盒一致性、可动状态几何及视觉相似度,且关节预测误差低于 ArtiLatent。代码与预训练检查点未来将发布。
Dream Labs 宣布完成 9000 万美元种子轮融资并推出 Dream API,其旗舰模型 Dream-1 宣称无需额外数据即可跨硬件控制机器人执行抓取、折叠等任务。公司通过云端运行模型并提供微调服务,支持开发者连接带夹爪的机器人直接调用,同时开放 Playground 供在线测试。
论文提出开源平台 PolyUMI 和 VisTA 策略,解决机器人模仿学习中触觉与听觉信号缺失问题。PolyUMI 采用无线手持夹爪同步采集腕部相机、光学触觉、接触音频和本体感知数据,且传感手指可直接移植至机器人末端执行器以保留几何一致性。
论文介绍 HarnessPAI 框架,旨在解决现有训练方法导致感知与推理能力退化的问题。该框架将代码作为可执行接口,在单次 rollout 内以开环方式固定程序引导执行,跨 rollout 则利用反馈闭环进化程序并将失败蒸馏为技能。
作者发布了一个在活跃建筑工地采集的高质量数据集,包含三十条视觉惯性序列,覆盖十层楼及八个月周期。数据涵盖变光、移动人员等真实挑战,并附带高质激光雷达惯性系统的真值轨迹。材料还报告了开放挑战赛结果,显示 SLAM 任务参与度显著高于平面图定位,旨在推动该领域研究。
论文提出了 μ_0,这是一种基于 3D 轨迹的可扩展世界模型,旨在通过预测物体、工具及接触区域的平滑 3D 轨迹来替代像素重建或直接动作建模,从而实现无需具身特定标签的机器人学习。
推荐理由:该工作提出基于 3D 轨迹的世界模型,无需动作标签即可实现跨机器人泛化,预训练版本已接受 CoRL 2026。
论文提出针对视觉语言动作模型(VLA)的高效一步生成策略。研究发现,仅将训练时间步分布偏向噪声端点,即可在 LIBERO、CALVIN 等基准上获得强单步策略;对于开源 VLA 模型,简单替换迭代解码为单次前向传播即可达到与多步解码相当的效果。
推荐理由:研究发现 VLA 因条件 - 目标结构特性,仅需调整时间步分布即可实现高效单步动作生成,无需蒸馏或专用目标。
SpineContextResUNet 是一种专为资源受限环境设计的轻量级 3D 残差 U-Net,通过并行多膨胀卷积捕捉长程解剖依赖。在 VerSe2020 和 CTSpine1K 基准测试中,该模型分别达到 88.17% 和 88.13% 的 Dice 分数,且能在 Intel Core i5/8GB RAM 等边缘设备上稳健运行。
针对三维点云场景分割中训练场景少、标注稀疏且缺乏重建用二维图像的三重数据不足问题,论文提出 PLOVIS 框架。该方法利用开放词汇图像分割模型从训练点云直接生成二维图像以创建伪标签,并通过两阶段过滤与类别平衡内存库提升质量。
AutoExpert 是一项研究,旨在解决依赖普通人工标注的局限性,提出利用公开基础模型自动完成 3D LiDAR 数据标注的方法。该方法遵循 nuScenes 和 PandaSet 两个自动驾驶数据集的专家指南,通过 2D 检测、升维及生成 3D 立方体的流水线,将 AutoExpert-nuScenes 基准上的 3D 检测 mAP 从 12.1 提升至 25.4。
Hamza Kheddar 发布了一篇关于强化学习在 FPGA 和集成电路平台上进行硬件加速及系统优化的综述论文。文章梳理了超过100项相关研究,按 RL 家族、抽象层级、硬件实现策略及应用领域进行分类,重点分析了模型架构、实施方法、性能评估(资源利用率、延迟、吞吐量等)以及软硬件协同设计中的挑战与未来方向。
VoxProg 是一种利用语言模型将任务解释转化为可执行程序的框架,专门用于处理 3D 场景中的物体放置问题。该方法通过局部体素视图构建几何参考,使程序能直接从场景网格中隔离相关区域并计算目标 SE(3) 位姿。
ClunoGS 提出一种结合语义感知高斯稀疏化与向量量化的统一框架,在 LERF 和 ScanNet-10 基准上评估了开放词汇定位与分割任务。该方法联合考虑渲染质量、语义精度与紧凑性,显著缓解了传统顺序压缩导致的语义表征退化问题。消融实验证实,协同优化稀疏化与量化比独立应用更能保持语义准确性。
该研究评估了生产级多模态大模型 Gemini 3.8 Flash 和 3.7 Flash 作为事件触发式跌倒筛查器的决策阶段能力,使用公开的低分辨率热成像数据集。
推荐理由:原文在实验室与居家真实场景中评估了多模态大模型对低分辨率热成像视频的跌倒检测能力,并公开了帧级标注数据。
针对物理 AI 中零样本泛化难题,研究指出依赖少数团队采集的数据虽具体量但缺乏多样性。论文提出将零样本泛化定义为对部署分布的覆盖度,并构建结合多模态对齐、生成式增强和噪声标签学习的共享潜在空间。同时提议建立基于标准机器人 Origami 的开发者社区以获取多样化数据,最后给出了连接真实机器人零样本成功率与数据多样性的可测试假设及评估协议。
针对人本场景光传输建模难、可控性差及现有路径追踪线索易产生伪影的问题,该文提出 JointLight 模型。通过在游戏引擎合成的高质量配对数据集上训练,采用两阶段策略强制模型分别对 RGB 和真实辐照度帧进行去噪,并利用域匹配缩小差距;推理时引入异步劫持生成管线实现灵活光照控制。该方法在真实场景中展现出鲁棒泛化能力,在光照保真度和生成质量上优于现有方法。代码与数据集将公开。
Spatially Gated Steering (SGS) 通过提取扩散 Transformer 内部注意力图,独立调节每人的人口统计特征,无需微调或布局指定。该方法在 FLUX.1-Dev 和 SD3.5-Large 两个架构上验证,显著提升了职业提示词下的种族与性别多样性,同时保持图像质量接近基线。代码库与模型权重已公开。
WaFIR 通过分解 Haar 子带并总结傅里叶描述符,在无需测试时任务标签的情况下实现去噪、去雨和去雾的统一处理。该模型相比 PromptIR 基线平均提升 PSNR 0.48 dB,优于 Up-Restorer 0.38 dB,且基于描述符的路由机制对未见噪声强度更鲁棒。代码已公开,研究聚焦于子带频率结构作为提示词条件化的可解释补充。
ReSeg 提出一种两阶段免重训框架,实现跨 CT、MRI、PET 三种模态的零样本腹部器官分割。该方法通过专用数据引擎生成合成数据预训练 GSRNet 与 OESNet,在七个数据集上优于现有最先进方法且无需真实训练图像。研究消除了对大规模医疗数据的依赖,解决了泛化能力与隐私风险问题。