DeepSeek 发布 V4.1-Flash-1017 模型及自研搜索 API
DeepSeek 正式发布新模型 DeepSeek-V4.1-Flash-1017,该版本在代码与 Agent 任务基准测试中表现提升,同时优化了运行时间与 Token 消耗。
推荐理由:DeepSeek-V4.1-Flash-1017 在基准测试与 Agent 任务中提升性能并降低 Token 消耗,同时开放自研搜索 API 以支持网页抓取与分析。
DeepSeek 正式发布新模型 DeepSeek-V4.1-Flash-1017,该版本在代码与 Agent 任务基准测试中表现提升,同时优化了运行时间与 Token 消耗。
推荐理由:DeepSeek-V4.1-Flash-1017 在基准测试与 Agent 任务中提升性能并降低 Token 消耗,同时开放自研搜索 API 以支持网页抓取与分析。
优必选发布自研具身世界模型 Thinker-WM,在 WorldOlympiad、EWMBench 和 WorldArena1.0 Track-1 三大公认基准评测中均位列第一。
推荐理由:优必选推出 Thinker-WM,在三大世界模型基准中均获第一,提供统一多模态表征架构与开源入口。
Jev 1.13 在 Terminal-Bench 2.1 的 21 项任务中,将智能体尝试成本提高 19% 但保持 73.0% 通过率不变。该模型虽比小 LLM 控制器便宜,却因校准偏差导致不必要的验证请求。研究代码已开源,结论表明决策模型控制器在降低成本方面存在局限。
Hugging Face Daily Papers 发布了一篇题为《Muse Glimmer 30B: An On-Device Agentic Model》的论文,介绍了一个开源的 30B 参数因果语言模型。
该论文介绍了一种名为市场基后训练(MPT)的框架,旨在解决现有多智能体系统训练中个体能力学习与集体行为组织分离的问题。通过让智能体以出价表达参与意愿并据此分配训练信用,该方法实现了动作策略与自编排行为的联合学习,无需中央协调器。
推荐理由:提出市场基后训练框架,联合学习动作策略与去中心化自编排,在具身制造等任务上验证了群体适应性与鲁棒性提升。
针对独立训练的多任务模型直接合并时出现的性能下降问题,本文形式化定义了“跨任务干扰”概念,并提出 Resolving Interference (RI) 框架。该方法利用无标签辅助数据对专家模型进行轻量级适应,使其在功能上与其他任务空间正交,从而减少干扰。实验显示 RI 能将主流合并方法的性能提升最高 3.8%,泛化能力提升 2.3%。代码库已公开。
针对大尺度非铺装路面自主导航中车载传感器视野受限的问题,该研究提出利用卫星影像、航空激光雷达和矢量地图学习连续可通行性图的方法。模型直接由人类驾驶 GPS 轨迹监督,并结合激光雷达的几何先验进行塑形。
针对水下环境光吸收与散射导致的低能见度问题,本文提出基于物理衰减原理的解耦 RGB 通道学习框架以恢复色彩,并引入自适应加权帧插值策略解决稀疏视角下的视图一致性问题。新方法通过降低噪声同时保留边缘,在深潜内容重建中表现鲁棒,PSNR 提升最高达 1.90dB。作者开源了 RUSplatting 代码及专门采集的 Submerged3D 水下数据集。
论文介绍 MJev-Spatial,这是一个基于 Qwen3.5-4B 构建的 System 1 多模态决策模型,旨在解决空间关系判断、距离测量和物体定位等任务。
推荐理由:该工作提出 MJev-Spatial,通过原生注意力匹配将空间理解任务转化为分类问题,在保持高精度的同时显著提升了推理速度。
OpenGCUA 是一个旨在开发并开源通用电脑使用智能体(GCUA)全栈的项目,其首版发布包含代码执行与 harness-to-model 决策转移机制。在 OSWorld-v2 基准上,该配置使包括 GPT-6 Astra 在内的八种模型平均部分得分提升 19.6 点,任务步骤减少 53.0%。
作者发布了 REKI,这是一个 2.4B 参数的视觉语言动作模型(VLA),仅使用公开数据进行预训练。该模型在 LIBERO-Plus、RoboTwin Clean2Rand 和 RoboCasa365 等基准测试中表现优异,性能接近两倍大模型的规模。
推荐理由:该 VLA 在仅用公开数据预训练下,以较小规模达到接近两倍大模型的 LIBERO-Plus 等基准表现。
针对现有 ROS 2 架构在切换时引入延迟并中断执行的问题,作者提出一种开源的亚毫秒级反射引擎。该框架基于增强的 ROS 2 兼容多模式控制器,通过无锁指针操作消除运行时中间件开销,实现了低于 0.1 ms 的控制模态切换延迟。
推荐理由:开源框架实现亚毫秒级控制切换,消除运行时中间件开销,为连续人机交互提供确定性低延迟方案。
NICE Toolbox 是一个免费开源的 Python 框架,通过整合计算机视觉与语音处理技术自动测量姿态、手势等信号。该工具支持多相机系统、可替换检测算法及数据导出功能,旨在让心理研究中的通信信号分析具备可扩展性与可复现性。代码已公开提交至 JOSS 期刊评审(arXiv:2610.21786)。
论文提出 Latent Transition Memory (LTM),将历史交互存储为连续观测间的紧凑潜在转换,实例化于π0.5模型(LTM-π)时利用冻结潜在动作编码器和轻量级适配器实现增量推理。
推荐理由:该方法在冻结动作编码器下实现增量推理,无需外部推理模型即可提升多步任务成功率与真实机器人计数能力。
该论文提出了 MoCaP 框架,旨在将被动记录的人类日常活动视频转化为机器人端到端的移动操作策略指导。系统从视频中提取空间记忆与物体交互准备线索,以辅助导航并搜索可操作的配置。
推荐理由:提出利用被动人类视频提取空间记忆与先验,通过闭环代码策略解决移动操作任务。
论文介绍 Athanor,这是一个在真实 GPU 上运行的开放智能体原生系统,旨在支持智能体的自主后训练研究(AutoPostTrain)。该系统赋予智能体完全的研究自主权,提供低摩擦工程工具、冻结评估服务、托管作业、去污染数据及持久化记录,且禁止使用外部教师模型。
推荐理由:Athanor 系统在沙箱环境中让 Claude Opus 5.5 智能体自主完成基座模型的后训练,首次演示了前沿智能体重组已知方法即可达到官方指令微调版本的效果。
针对大型语言模型代理在每一步调用大模型导致任务缓慢且昂贵的痛点,本文提出 JevAgentHarness 框架以将决策权委托给轻量级决策模型。研究构建了 AgentDecisionBench 评测基准,发现直接委托工具选择会降低成功率;为此设计了适配置信度阈值机制的 JevAgentHarness,并在包含错误状态的轨迹上训练了开源模型 AgentDecision-4B。
HexaShell 系统展示了基于视觉语言模型(VLM)的智能体通过编写和修复代码来控制双臂机器人的能力,而非直接学习策略。该系统仅将智能体的指令转化为机器人运动,利用三个 RGB 相机进行三角测量以定位物体,并在 RoboDojo 基准的 42 个任务上取得了 39.7% 的成功率和 48.0 的进度分数,刷新了该基准记录。
推荐理由:HexaShell 系统展示了 VLM 智能体通过编写工具代码控制双臂机器人的能力,在 RoboDojo 基准上达到新 SOTA,并开源了演化出的工具集。
Mothbox 是一款由 Digital Naturalism Laboratories (Dinalab) 开发的低成本低功耗开源昆虫监测设备,支持工厂组装 Pro 版及完全 DIY 构建。
Drake v1.58.0 正式支持 Xcode 27 及最低 macOS Tahoe 版本。针对有序容器操作 drake::symbolic::Expression 或 Variable,必须显式传入 CompareLess 等模板参数以适配新版 libc++ 优化,旧默认写法将在三个月后失效且 Xcode 27 下立即报错。
MiniDog 是一个可在四张 RTX 3090 GPU 上于 70 分钟内完成扩散模型预训练与微调的框架,利用 ImageNet 2.6 万张狗图及 FLUX.1-schnell 生成的 2000 张图像进行训练。该项目开源了代码与仓库,支持 FID、HPSv2 等评估指标,已获 NeurIPS 2026 教育轨道接收。
论文提出了 VGGT-Diff,一种基于几何路由的多视角扩散模型,用于解决稀疏视角下的新视图合成难题。该方法将来自 VGGT-Ω 的视觉几何潜变量路由到预训练的视频扩散模型中,每个视觉标记关联一个 3D 点和置信度,并通过置信度感知的视觉几何路由器(VGR)将其转换为查询对齐的条件,同时利用点轨迹残差一致性(PTRC)正则化以增强多视角稳定性。
该研究针对视频理解中多步推理误差累积的问题,构建了包含 22,550 个多跳问题的 Video-HopChain 数据集及 1,000 个测试基准。通过引入置信度门控探索(CGE)策略,在基于 GRPO 的训练框架下将多个视频理解与推理基准的平均得分从 55.4 提升至 59.3。作者开源了数据集、检查点以及数据生成和训练代码。
论文提出 GAE(Geometry-Aware Autoencoder),将基础模型特征重参数化为可解码外观、深度、相机和点云的紧凑潜在空间,解决视觉生成器缺乏三维一致性的问题。
论文针对多模态代码智能领域数据质量与生成管线受限的问题,提出 PrismaForge 分层数据管道,利用分解式评分标准同时作为过滤与奖励机制来构建高质量数据集。基于此构建了 PrismaCoder-2M 最大规模开放数据集,并训练发布 PrismaCoder-9B 和 PrismaCoder-35B 模型,在开源领域大幅领先现有水平且媲美主流闭源系统。代码与数据已公开。
推荐理由:提出基于分解式评分标准的数据合成管道,构建最大规模开放数据集并训练出领先开源界的代码智能模型。
作者发布 EarlyCommit 开源工具,支持机器人在语音指令进行中实时计算物体置信度并提前执行。系统包含流式语音前端、带精确词级真值的场景生成器及训练校准脚本。在未见词汇测试中,其正确率是关键词匹配的 1.6 至 2 倍;当阈值设为 0.9 时准确率不低于 92%,每词处理耗时 31 至 35 毫秒。
论文提出 PAWA 数据集与框架,解决现有数据缺乏多玩家独立动作与全景视频同步的问题。该框架解耦 CPU 游戏捕获与 GPU 渲染,支持超过 64 名同时在线的玩家,并能在新观测配置下重渲染会话而无需回放游戏。
针对连续体机器人驱动系统定制性强、复用性低的问题,本文提出一种将驱动硬件与软件从机器人设计解耦的统一平台。该平台支持模块化驱动、大规模自由度扩展以及与常规串联机械臂的混合架构集成。
ICMC 将参数指定、指令生成与代码合成分离,使 UR5e 机械臂在 MuJoCo 仿真中执行结果可追溯至程序。相比 o1/o4-mini 的一次性生成,该方法通过 GRPO 训练出开放权重的指令策略,在方块放置任务上将正奖励率从 31.6% 提升至 35.3%。研究引入独立评估协议以区分控制与成功判定,确保结果可复现且未宣称真实部署或量产能力。
Dungeon and Visibility World Generator 是一个开源框架,用于构建可复现的二维和三维环境并评估几何视线。该工具支持正交、多边形/多面体及曲线几何,涵盖六种构造家族(如分散房间、蜿蜒通道等),允许通过参数控制房间尺寸与障碍物布局。
推荐理由:该框架提供可复现的二维三维环境生成与视线查询工具,支持多种几何类型与参数控制,适合机器人探索、覆盖及多智能体部署算法的评估。
Google DeepMind 于 2026 年 10 月 14 日发布 MuJoCo 3.16.0,新增 Frames 内容编译时缩放及 Bazel 构建支持。该版本修复了胶囊体碰撞浮点抵消、柔性接触对数限制等数值稳定性问题,并调整了接触传感器速度数据字段。API 发生破坏性变更,解码回调函数参数增加错误缓冲区要求,需迁移自定义解码器以适配新签名。
该论文介绍了一种无需重训即可将预训练 Transformer“弹性化”的方法,使其能根据计算预算动态适应不同稀疏度。核心贡献是对功能单元排序问题的可微松弛,联合优化每个 MLP 神经元和注意力头的排名。
Isaac Lab 文档站点新增经审核的预构建 Newton WebAssembly 仿真及其浏览器查看器与导出源码。该永久捆绑包包含场景、重建指令及工具,仅需浏览器即可运行演示,无需本地编译环境。更新通过提交命名归档和 SHA-256 校验确保可复现构建,旧版资产保持可用以兼容现有工作流。
该论文针对长程任务训练中终端奖励信号利用率低的问题,提出 CoPE 方法,通过引入多步动作目标实现智能体行动与预测的协同进化。在 ALFWorld、ScienceWorld 等五个基准测试中,该方法相比 GRPO 和 ECHO 基线实现了更高的样本效率和更强的综合性能,且无需额外模型或推理开销。代码已开源。
论文介绍 MAI-Gym 这一开放的一体化平台,统一了移动端、电脑端和 Web 端的 GUI Agent 评测、数据收集及在线强化学习训练流程。该平台通过共享部署管道确保行为一致性,支持十个基准测试并扩展至两万并行环境实例。
推荐理由:MAI-Gym 平台统一了移动与计算机环境的 GUI Agent 评测与在线强化学习训练,支持合成任务并实现了从模拟到物理设备的技能迁移。
NVIDIA 将完整的 NVIDIA Run:ai 平台以开源软件形式发布,赋予客户、开发者及生态伙伴访问生产级 AI 工作负载与 GPU 编排能力的权限。此举扩展了 NVIDIA DSX AI Factory 平台,确立 NVIDIA Run:ai 为开放基础,使更广泛生态系统能推出差异化解决方案。
该论文提出了 Harness 框架,旨在让智能体在保持模型权重固定的前提下,对提示词、记忆、工作流及可执行组件进行反馈驱动的自演化修订。研究形式化了接受修订的持久化过程,区分了状态解释变更与工具代码修订,并通过进化优化和持续 PAC 学习分析其可靠性与泛化边界。材料提供了包含理论、算法、评估及应用影响的综合讨论,并附带持续更新的代码与补充材料链接。
Luxonis DepthAI v3.11.0 发布,新增多设备流水线功能,允许单 Pipeline 在多个设备上构建节点并自动中继跨设备链接。该版本集成 RVC4 特性,支持最多 5 台相机并发运行及校准全景拼接,需 OS >= 1.44.0。修复了动态标定拒绝大角度平移、ToF 传感器出血及 GPU ImgManip 内存复用等缺陷,提升稳定性与 CPU 效率。
论文提出 HARP-VLA 框架,旨在通过人类 - 机器人成对演示作为跨本体桥梁,利用海量未配对视频进行动力学监督,训练出适配机器人的视觉编码器与潜在动作模型。
针对深度模态表示学习不足的问题,作者提出了 DeFM,这是一个完全基于深度图像训练的自监督基础模型。该模型利用 DINO 风格的自蒸馏目标在 60M 张深度图像上训练,并引入新的输入归一化策略以保留多尺度度量感知。