跳到正文
11月4日周三
  1. 量子位78

    招商局狮子山实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」

    招商局先进技术研究院下属狮子山人工智能实验室发布了具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」。该模型采用 MoE 架构,总参数约 35B,仅激活约 3B 参数。

    推荐理由:该模型通过能力牵引的数据引擎与闭环迭代机制,在不堆砌数据的情况下实现了十项主流基准指标提升。

  2. 智东西 · 机器人78

    物理世界模型创企 LiberAI 正式发布 Liber-0 世界动作模型

    物理世界模型创企 LiberAI 于 11 月 4 日发布基于超 220 万小时人类经验数据预训练的世界动作模型 Liber-0。该模型采用混合 Transformer 架构,结合 LiberSense Glove 采集的人手动作数据与互联网视频,旨在减少对真机数据的依赖并提升跨本体泛化能力。

    推荐理由:LiberAI 发布基于超 220 万小时人类经验预训练的世界动作模型 Liber-0,在零样本真机测试中取得 36% 成功率并优于 GPT-6 Astra。

  3. Hugging Face Daily Papers78

    ToolSpace:面向长程智能体的工具中心化环境合成扩展方法

    论文提出了 ToolSpace 框架,旨在解决现有 MCP 环境合成方法数据为中心、导致工具接口不匹配及任务跨度不足的问题。该方法从真实 MCP 服务和开放智能体语料库的执行轨迹中,利用确定性规则挖掘数据、状态和重试依赖,而非依赖大模型判断。

    推荐理由:该工作提出以工具为中心的合成框架,通过挖掘真实执行轨迹构建环境图,显著提升了长程任务中多模态模型的评测难度与得分。

  4. arXiv · 机器人与计算机视觉71

    DreamX:视频扩散模型作为通用潜在动作学习器

    论文介绍了 DreamX 方法,该方法复用预训练视频扩散模型提取紧凑的潜在动作表示,将每帧压缩至 4 个 token,实现了跨本体(人与机器人)和环境的零样本动作迁移及策略学习。在 LARY-Bench 基准上达到当前最佳性能,支持任意到任意的视频转移。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。

  5. arXiv · 机器人与计算机视觉84

    YANAMI:首个面向多轮状态交互的大规模多模态数据集与基准

    针对现有统一多模态数据集缺乏多轮状态跟踪的问题,作者发布了 YANAMI-400K 数据集和 YANAMI-Bench 评测基准。YANAMI-400K 包含 40 万条多轮对话及超 200 万张图片,覆盖图像融合、编辑、世界建模与视觉推理等场景;YANAMI-Bench 则通过 400 个案例联合评估状态理解与视觉实现能力。

    推荐理由:YANAMI 数据集填补了多轮状态交互评测空白,实验显示微调 BAGEL 模型在图像编辑与生成任务上性能提升显著。

  6. arXiv · 机器人与计算机视觉82

    Route Anything:通用 AI 系统中的模型与策略路由研究

    论文提出 Route Anything 统一框架,通过构建涵盖语言、视觉、视频、语音及机器人操作的跨模态基准矩阵(含 37.4 万次运行数据),研究了在质量与成本权衡下的最优路由机制。实验显示,基于输入的 oracle 路由比最佳固定候选者提升 5.4 分,学习到的路由器进一步提升性能并减少 24% 的策略时间,平均效率提升 8.82 倍。

    推荐理由:构建了跨模态任务路由框架,证明动态策略选择比固定候选者更优且能显著降低计算成本。

  7. arXiv · 机器人与计算机视觉72

    流等价世界模型:动态环境的结构化记忆

    该工作引入流等价世界建模框架,利用时间参数化对称性构建潜在记忆以支持长时程动力学预测。该方法使潜在记忆随自运动及推断的外部物体运动进行等变变换,保持视野外区域信息在时间推进中的对齐。研究在 2D 和 3D 部分可观测视频世界建模基准上展示了该框架相对于最先进扩散、增强记忆及循环架构的优势。材料为 arXiv 预印本,已获 ICML 2026 接收。

  8. arXiv · 机器人与计算机视觉82

    医疗世界模型:能力、证据与可信的临床转化综述

    这篇综述通过结构化叙事综合和可复现的证据映射,定义了医疗世界模型的概念边界与技术基础。研究筛选了 1455 条记录并汇编了 300 个来源,其中 14 项符合严格的实证定义。文章区分了患者状态表征、时间动态建模等四大能力,指出当前证据多处于回顾性或临床前阶段,并提出了从轨迹预测到干预比较所需的精确干预表示与因果机制等具体证据要求。

    推荐理由:该综述梳理了医疗领域世界模型的四大能力与临床转化证据要求,区分技术可行性与临床成熟度,为相关团队提供评估框架。

  9. arXiv · 机器人与计算机视觉58

    SlotMemory:面向对象的 KV 记忆用于流式长视频生成

    针对流式视频生成模型依赖时间中心记忆导致的身份漂移与语义不一致问题,本文提出 SlotMemory,一种面向对象的键值(KV)记忆机制。该方法将 Transformer 的 KV 流形分解为离散可复用的语义槽位,仅作为路由地址,保留原始 KV token 内容,从而在长时域内实现实体级持久性和提示词感知检索。

  10. arXiv · 机器人与计算机视觉70

    Distill to Think, Foresee to Act:面向自动驾驶的认知 - 物理强化学习框架 CoPhy

    论文提出 CoPhy 框架,旨在解决端到端自动驾驶受模仿学习行为克隆上限的约束问题。该框架通过蒸馏视觉语言模型(VLM)知识至鸟瞰图编码器并移除 VLM,实现零推理成本的认知能力与可选的人类语言指令接口;同时构建自回归 BEV 世界模型以预测候选动作的未来语义地图,作为可解释的物理沙盒直接推导安全指标。

  11. arXiv · 机器人与计算机视觉42

    大模态模型赋能具身智能驾驶:下一代自动驾驶新框架

    针对模块化设计在开放场景的局限,该研究提出语义与策略双驱动的混合决策框架,融合大模态模型进行认知表征及深度强化学习优化实时策略。通过车道变更规划案例的仿真验证,该方法较基线提升至少 19% 性能。文章还指出了关键开放挑战并指明了后续研究方向。

  12. arXiv · 机器人与计算机视觉78

    DRAP:面向物理 AI 持续学习的动力学 - 风险自适应可塑性

    论文提出 DRAP(Dynamics-Risk Adaptive Plasticity),这是一种无需回放机制的物理 AI 持续学习方法,旨在解决小步策略误差累积导致闭环任务失败的问题。

    推荐理由:提出无需回放机制的 DRAP 方法,通过轨迹风险加权梯度累积来动态调节模型张量的可塑性,在 OpenVLA 子网络上实现了 LIBERO 基准任务中旧行为保留与新任务获取的平衡。

  13. arXiv · 机器人与计算机视觉78

    面向组合图像检索的分解多模态大模型嵌入方法

    论文针对组合图像检索任务中多模态大模型成分化理解未被充分利用的问题,提出 Factorized MLLM Embeddings 方法。该方法通过中间目标想象目标模拟视觉修改意图,将组合查询理解与判别式嵌入构建解耦,并利用分解表示蒸馏至深层注意力层以传播特征。实验表明该方法在多个 CIR 基准上优于现有工作。

    推荐理由:提出 Factorized MLLM Embeddings 方法,通过解耦组合查询理解与判别式嵌入构建,在 CIR 基准上优于现有工作。

  14. arXiv · 机器人与计算机视觉78

    从自然图像到医学影像:扩散模型的迁移性研究

    该预印本论文分析了将自然图像先验迁移至医学影像扩散去噪器的效果。研究发现,在像素空间和潜在空间下,自然图像初始化均能显著提升生成质量(相对 gFID 提升 21-34%),且这种增益与下游病理分类和放射组学特征提取能力正相关。研究进一步揭示,迁移收益主要源于空间结构的共享而非语义信息,混合域训练表明自然与医学图像在深层网络表示上具有相似性。代码已开源。

    推荐理由:研究证实自然图像初始化可提升医学扩散模型生成质量,并揭示空间结构是迁移生效的关键通道。

  15. arXiv · 机器人与计算机视觉72

    基于无展开世界模型的端到端自动驾驶轨迹评估方法

    针对现有候选轨迹评估器依赖高成本且易累积误差的未来状态展开(rollout)机制,本文提出 RFWorld 模型。该方法构建共享场景记忆并通过轻量级时序读出塑造未来可读表示,推理时直接查询记忆进行评分,显著降低计算量并避免递归误差。实验表明,RFWorld 在 NAVSIM 和 Bench2Drive 数据集上实现了更优的规划对齐与世界表征学习,达到最先进性能水平。

  16. arXiv · 机器人与计算机视觉83

    FloMo:将3D场景流作为世界动作模型的中间层以学习人类视频数据

    论文提出 FloMo 模型,这是一个经过微调的 5B 参数视频生成模型,旨在预测 3D 场景流(scene flow)和动作 token。研究论证了稠密 3D 运动是视频预训练向机器人动作迁移的最佳媒介,相比直接预测视频或联合预测,仅预测运动能提升样本效率并改善对未见物体、运动原语及任务的泛化能力。

    推荐理由:提出用稠密3D运动场作为视频预训练向机器人动作迁移的中间媒介,通过联合预测验证了该路径优于直接视频预测。

  17. arXiv · 机器人与计算机视觉84

    HiLo-WAM:解耦世界动作模型中的长程任务演化与局部动态

    该论文提出 HiLo-WAM 架构,旨在解决现有世界动作模型(WAMs)在捕捉长程任务上下文方面的不足。方法通过稀疏长程视觉流和密集局部动态流,在统一的双 DiT 架构中分别建模历史任务背景与短时机器人 - 物体交互,并利用结构化跨流注意力引导动作生成。

    推荐理由:该工作提出 HiLo-WAM,通过解耦长程任务演化与局部动态并联合建模交互,在 RoboTwin 2.0 等基准上实现高成功率与推理加速。

  18. arXiv · 机器人与计算机视觉75

    LLM 作为 MDP 设计者:一种依赖感知的代理框架用于自动机器人策略生成

    该论文提出 ARPG 框架,利用大语言模型作为设计者而非执行决策者来构建机器人强化学习管道,包括马尔可夫决策过程(MDP)建模和仿真器实现。实验表明,该方法在 Isaac Sim 中相比单一 LLM 基线和现成代理系统,显著提升了建模正确性、环境可执行性和策略生成成功率。

  19. arXiv · 机器人与计算机视觉78

    通过动作条件潜变量前瞻协调人形机器人体操与操作

    论文提出一种动作条件潜变量前瞻(action-conditioned latent foresight)方法,构建潜在世界 - 动作模型以在执行前评估指令序列。

    推荐理由:提出动作条件潜变量前瞻方法,在仿真与真实机器人任务中均优于基线,验证了潜在世界 - 动作模型的有效性。

  20. arXiv · 机器人与计算机视觉75

    基于 MPM 引导的 3D 高斯仿真的物理扩散策略

    论文提出一种感知物理的扩散策略框架,通过耦合 3D 高斯泼溅与可微材料点法(MPM)仿真,从视觉演示中恢复物体材质属性。估计的物理条件被集成到材质感知的专家混合扩散策略中,以实现不同物理 regime 下的自适应行为生成。此外,引入了无需在线优化即可高效检索物理信息的物理记忆库。在多种模拟和真实世界物体上的实验表明,该方法相比现有的基于扩散的方法提升了操作成功率与泛化能力。

  21. arXiv · 机器人与计算机视觉58

    SWAP-INR:一种用于时变多变理科学数据压缩的隐式神经表示方法

    针对高性能计算环境中多变量科学仿真数据存储瓶颈问题,本文提出 SWAP-INR 架构以实现高保真压缩。该方法引入可切换注意力路径(SWAP)模块以显式建模跨变量交互并剪枝冗余层,同时利用自适应放大 SIREN(A2-SIREN)替代刚性频率缩放以适应异构物理特征。

  22. arXiv · 机器人与计算机视觉78

    IGSW:基于内在解耦高斯泼溅的多天气城市场景重建

    论文提出了 IGSW 框架,旨在实现高保真的 4D 城市场景多天气编辑以支持端到端自动驾驶训练。该方法将背景高斯外观分解为共享反照率与法线及特定辐照度残差,并利用扩散模型生成的教师图像和内在映射提供软监督;第二阶段通过结构保持门控抑制不可靠区域并增强目标天气外观。

    推荐理由:提出 IGSW 框架,通过解耦高斯场景建模与结构保持的天气细化,解决了多天气编辑中的结构失真问题。

  23. arXiv · 机器人与计算机视觉63

    CounterSketch:面向草图视频生成的物理 grounded 反事实推理框架

    论文 CounterSketch 提出一种将自然语言‘如果...’查询转化为物理合理动画的框架。系统整合视觉语言模型场景定位、因果事件链推理及基于约束的轨迹生成与验证,通过更新场景图计算连续物体轨迹并投影为运动边界框以指导下游合成。

  24. arXiv · 机器人与计算机视觉53

    Compression Forcing:分层历史分词实现灵活的世界模型

    该论文针对现有世界建模方法过度依赖视频生成机制、忽视预测效用的问题,提出 Compression Forcing (CF) 框架。其核心包含动力学感知分词 (DAT),将历史观测按动力学显著性降序压缩;以及基于扩散骨干的分层历史引导 (HG-H),在推理时选择性放大关键信息。实验表明该方法在多环境下的预测保真度、物理真实感及下游决策性能均得到提升,确立了其在世界建模中的灵活性与有效性。

  25. arXiv · 机器人与计算机视觉72

    FlowBench:面向空间智能的反事实想象训练资源

    论文提出 Counterfactual Spatial Imagination 概念并发布 FlowBench 资源,包含 42.8 万涵盖仿真与真实场景的训练样本及自动配对管线。在 Qwen3-VL-8B 上微调后,仿真准确率提升 29.5 个百分点且现实图像提升 16.9 个百分点;同时使 Psi-0.6 的文本到流预测准确率从 52.1% 提升至 61.7%,代码与数据集已开源。

  26. arXiv · 机器人与计算机视觉33

    Self-Consistent Neural Control:学习隐式平衡系统的轨迹控制方法

    Self-Consistent Neural Control(SCNC)通过显式控制敏感性变化优化轨迹,解决了物理 AI 中隐式平衡系统学习难的问题。相比副梯度学习和无梯度 iCEM 基线,该方法将薄壁管等复杂结构的稳定优化率从 41.7% 提升至 83.3%,平均损失降低超过 1.5 个数量级。该框架已在弹性杆、测量带及弹簧状结构等可变形物体上验证有效性。

  27. arXiv · 机器人与计算机视觉28

    PhysFTM:基于 RKHS 因子的物理信息功能 Tucker 方法用于稀疏时空重建

    PhysFTM 是一种将 Tucker 模式因子参数化于再生核希尔伯特空间(RKHS)并融入偏微分方程约束的模型,旨在解决固定稀疏传感器下的物理动力学重建难题。该方法通过交替最小化重构支持帧连续场,并在 Tucker 核心空间构建轨迹以解码缺失帧,在 Allen-Cahn、Navier-Stokes 等四个基准上验证了高精度重建能力。代码已开源,论文已被 NeurIPS 2026 接收。

  28. 盖世汽车 · 汽车资讯52

    Stellantis 与东风深化合作:基于 Momenta R7 联合开发高阶智驾

    Stellantis 集团高管到访东风汽车总部,双方围绕推进神龙科技运营及海外市场合作展开交流。会谈确认了此前签署的谅解备忘录内容,计划在欧洲成立由 Stellantis 持股 51%、东风持股 49% 的合资公司,负责岚图品牌电动车在欧洲的销售、分销、生产及工程职能。

  29. Hugging Face Daily Papers83

    PrimeSim:基于大规模跨具身演示的通用世界模型模拟器发布

    论文 PrimeSim 提出了一种动作条件化的多视图世界模型模拟器,通过渐进式中期训练和后期训练解决动作跟随与多视图一致性难题。该模型在 30,110 小时、22 个平台的数据上预训练,支持刚性及可变形操作任务的长程仿真,并在多个基准测试中领先开源同类模型。作者发布了模型权重、推理代码及训练代码,但材料仅基于 arXiv 预印本,未提及同行评审状态或真实机器人部署结果。

    推荐理由:原文给出了跨具身演示训练的世界模型架构与代码入口,相关团队可据此评估其仿真一致性与长程规划能力。

  30. 盖世汽车 · 汽车资讯33

    Manifold AI 与京东科技签署协议联合推进世界模型与具身智能落地

    Manifold AI 流形空间与京东科技正式签署战略合作框架协议,双方将围绕世界模型在京东场景落地、算力基础设施建设及数据服务方向协同。合作包含推动流形空间具身大脑与京东算力底座深度融合,开发具备行业影响力的大脑 API 产品,并共建前沿技术联合实验室以完善具身智能生态。此次合作旨在打通算法—算力—垂直场景链条,加速国产具身智能技术从研发走向规模化商业验证。