跳到正文
10月18日周日
10月17日周六
10月16日周五
  1. Hugging Face Daily Papers82

    Learning Self-Orchestration in Decentralized Agent Swarms

    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。

  2. arXiv · 机器人与计算机视觉68

    Learning Not To Interfere:一种通过解耦专家模型以减少跨任务干扰的模型合并方法

    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。

  3. arXiv · 机器人与计算机视觉63

    RUSplatting:面向稀疏视角水下场景重建的鲁棒高斯泼溅方法

    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。

  4. arXiv · 机器人与计算机视觉84

    MJev-Spatial:基于原生注意力匹配的 System 1 空间智能模型

    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。

  5. arXiv · 机器人与计算机视觉82

    REKI:一种基于公开数据预训练的 24 亿参数视觉语言动作模型

    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。

  6. arXiv · 机器人与计算机视觉78

    基于增强 ROS 2 的多模式控制器实现亚毫秒级反射引擎

    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。

  7. arXiv · 机器人与计算机视觉39

    NICE Toolbox:非语言人际沟通探索工具包

    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)。

  8. arXiv · 机器人与计算机视觉82

    LTM:基于潜在转换的视觉语言动作模型内上下文记忆方法

    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。

  9. arXiv · 机器人与计算机视觉78

    MoCaP:基于被动人类视频的零样本移动操作框架

    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。

  10. Hugging Face Daily Papers76

    Athanor:首个让智能体自主进行后训练的开放系统

    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。

  11. Hugging Face Daily Papers75

    JevAgentHarness:构建共享 LLM 控制的决策模型基准与部署方案

    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。

  12. Hugging Face Daily Papers82

    HexaShell:一种用于探索 VLM 智能体作为机器人编程智能体极限的轻量级框架

    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。

  13. Drake · Release Notes12

    Drake v1.58.0 发布:支持 Xcode 27 与 macOS Tahoe,引入 STL 容器符号表达式语法变更并移除旧写法

    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。

  14. arXiv · 机器人与计算机视觉28

    MiniDog:基于预训练到微调的犬种文本生成图像流匹配框架

    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。

  15. arXiv · 机器人与计算机视觉65

    VGGT-Diff:结合视觉几何与扩散模型的稀疏视角新视图合成方法

    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。

  16. arXiv · 机器人与计算机视觉75

    Video-HopChain:多跳问题与置信度门控探索用于视频推理模型

    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。

  17. arXiv · 机器人与计算机视觉82

    PrismaCoder:通过分解式评分标准合成推动开放多模态代码智能边界

    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。

  18. arXiv · 机器人与计算机视觉55

    EarlyCommit:机器人指令未结束时的词级承诺工具

    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。

  19. arXiv · 机器人与计算机视觉42

    Instruction-Conditioned Motion Control for Robotic Arms:语言到代码分解与强化学习

    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。

  20. arXiv · 机器人与计算机视觉78

    Dungeon and Visibility World Generator 开源框架发布

    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。

  21. Google DeepMind MuJoCo · Releases42

    MuJoCo 3.16.0 发布:支持 Bazel 构建与编译时缩放,修复碰撞检测数值稳定性

    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。

  22. NVIDIA Isaac Lab · Releases12

    Isaac Lab 发布交互式浏览器演示与预构建 Newton WebAssembly 仿真包

    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。

10月15日周四
  1. Hugging Face Daily Papers70

    Co-Evolving Acting and Forecasting for Language Agents:一种无需额外模型的协同进化方法

    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。

10月14日周三
  1. Hugging Face Daily Papers85

    MAI-Gym:面向移动与计算机环境的 GUI Agent 评测与 RL 训练开源平台

    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。

10月13日周二
  1. Hugging Face Daily Papers68

    Harness:一种支持软件脚手架自演化的智能体框架

    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。

10月12日周一
  1. Luxonis DepthAI · Releases28

    Luxonis DepthAI v3.11.0 发布:支持多设备流水线与 RVC4 相机融合

    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。