跳到正文
10月28日周三
  1. Hugging Face Daily Papers42

    GPT-6-Astra 在 LongChang 框架下发现隐藏物理定律

    GPT-6-Astra 在 LongChang 自动化探索框架中,于无提示的模拟世界实验里以 16.7% 的发现率率先识别出异常物理规律。其余 11 个测试大语言模型得分均为 0%,且记录显示存在未调查的异常与部分定律识别不全现象。该研究通过多智能体自主循环验证了 LLM 在科学发现中的潜力,相关代码与论文已公开。

  2. arXiv · 机器人与计算机视觉68

    OctWorld:基于八叉树映射的长程世界一致视频生成框架

    论文 OctWorld 提出一种带有持久化 3D 记忆的扩散视频生成框架,针对长距离相机路径下的空间一致性难题,引入可扩展且自适应分辨率的 OctMap 模块,将生成的视觉观测与深度图融合至全局八叉树表示。实验表明该方法在现有基准及挑战性长程设置下均优于先前方法,并提供了清晰的代码与项目页面链接。

  3. arXiv · 机器人与计算机视觉82

    AmaraSpatial-10K:面向空间计算与具身智能的时空对齐 3D 数据集

    AmaraSpatial-10K 是一个包含 10,071 个合成 3D 资产的数据集,所有资产均经过标准化处理以支持直接摄入。每个资产提供符合物理尺度的.glb 文件、分离的 PBR 贴图、凸碰撞包络、配对参考图像及多句文本元数据。

    推荐理由:该数据集提供标准化 3D 资产与独立评测套件,显著改善检索召回率并提升仿真稳定性。

  4. arXiv · 机器人与计算机视觉78

    GTASA:用于视频模型时空分析、评估与训练的真值标注数据集发布

    论文提出 GEST-Engine 开源系统,可确定性执行事件图并渲染同步多角色场景视频,同时记录包括三维实体状态、相机状态、成对空间关系及实例分割在内的完整真值。

    推荐理由:该工作利用游戏引擎生成带完整时空真值标注的视频数据集,填补了视频模型在实体间关系理解上的空白。

  5. arXiv · 机器人与计算机视觉42

    AnyCXR:利用多阶段域随机化合成数据实现任意投影视角的胸部 X 射线解剖分割

    AnyCXR 框架仅需合成监督即可在 PA、侧位及斜位等多种真实投影视角下,零样本泛化分割 54 个人体解剖结构。该方法结合多阶段域随机化引擎生成超 10 万张高多样性合成 X 光片,并利用条件联合标注正则化策略处理不完美标签以维持解剖一致性。实验证明该方案能显著降低标注负担并提升模型在多样化成像条件下的鲁棒性,支持心脏胸廓比估算等下游临床任务。

  6. arXiv · 机器人与计算机视觉82

    V-LUMEN:面向视觉语言模型的视觉查找记忆

    论文提出 V-LUMEN,一种用于视觉语言模型(VLM)的视觉查找记忆机制。该方法利用冻结码本将连续视觉特征离散化,通过空间聚合哈希构建感知空间的记忆键,并利用文本条件的相关性信号进行调制;所有寻址均为非参数化操作,检索到的嵌入向量通过门控残差路径融合到骨干网络中。

    推荐理由:V-LUMEN 通过冻结码本将连续视觉特征离散化,在保持计算量恒定的前提下为 VLM 提供可扩展的外部记忆容量。

  7. arXiv · 机器人与计算机视觉58

    Polarity--Time Interaction and Multi-Level Reliability for Event-Based Spacecraft Pose Estimation

    该论文针对稀疏事件响应导致的关节点误差问题,提出一种可靠性感知框架以估计航天器姿态。系统通过三分支表示结合正负事件及时间信息,利用有序语义点头估计对应关系精度,并结合事件边缘与 CAD 投影一致性进行局部姿态优化。

  8. arXiv · 机器人与计算机视觉78

    固定世界模型下的干预共形不确定性校准方法

    该研究解决部署策略变更使世界模型不确定性失效的问题,在保持物理转移机制和预测器不变的前提下,通过估计状态占据与动作倾向比率实现加权共形校准。实验基于开源 DINO 特征世界模型与 Franka 机械臂轨迹,在强控状态下行动态覆盖率从普通方法的 55.0% 提升至 91.0%,且学习到的代理分布与目标律的总变差距离小于 0.9%。

    推荐理由:针对部署策略变更导致的世界模型不确定性失效问题,提出基于加权共形校准的方法以适配目标分布。

  9. arXiv · 机器人与计算机视觉7

    RetailLightNet 轻量模型结合雾计算实现实时零售分析

    针对云端视频分析的高延迟与隐私问题,该研究提出基于雾计算的 F RLN 框架,利用 NVIDIA Jetson Nano 等边缘设备运行。模型采用深度可分离卷积及运动门控帧选择技术,在 SKU110K 和 RPC 数据集上实现 0.988 的精度、0.976 的召回率与 F1 分数,优于现有 CNN 基线。

  10. arXiv · 机器人与计算机视觉58

    感知与预测动态体育:面向第一人称网球视频的视觉模型时空智能

    为探究基础视觉模型在移动第一人称视角下对动态场景的时空理解能力,作者构建了包含同步多视角视频、全局位置及击球标注的第一人称网球数据集。研究评估了七项预测任务,结果显示最佳模型在第一人称球员定位误差为 0.14 米,球体定位误差为 0.54 米;未来轨迹预测在 1.1 秒内误差分别为 0.34 米和 0.91 米。

  11. arXiv · 机器人与计算机视觉35

    GroundControl:利用卫星图像条件引导的多视图扩散模型实现无重建新视角合成

    GroundControl 提出一种结合卫星图像与街景输入的条件多视图扩散模型,无需三维场景重建即可生成无缝逼真的户外新视角。实验表明,该模型在目标视图与源视图重叠极少的挑战性案例上,优于仅依赖卫星或街景的基线方法。项目已接受至 WACV 2027,代码与论文待公开评审后发布。

  12. arXiv · 机器人与计算机视觉65

    AuRaSim:一种面向动态场景的汽车 FMCW 雷达射线追踪仿真框架

    针对汽车雷达仿真成熟度不足的问题,该研究提出了基于光线追踪的 FMCW 雷达仿真框架 AuRaSim。该框架利用 Blender 构建动态场景并集成 Sionna RT 进行 GPU 加速的电磁波射线追踪,同时引入了路径分辨传播、运动感知多普勒建模及相干 ADC 立方体合成等雷达专用适配。

  13. arXiv · 机器人与计算机视觉69

    Best-of-N 策略如何助力世界动作模型?测量可选增益并在闭环中实现

    该研究针对世界动作模型(WAMs)提出去噪反事实协议,通过位级可复现分支和保留随机数消除执行噪声,准确测量候选动作的真实增益。研究发现标准估计高估了原生样本的可选增益,而结构化动作扰动可创造高达 16 分的增益空间;在动作条件化想象中,想象未来与真实未来信息无损。基于此构建的选择器仅在预测失败时偏离策略,使闭环任务成功率从 76.9% 提升至 81.6%,未见任务中提升最大。

  14. arXiv · 机器人与计算机视觉68

    GraftRay:基于路径追踪将物理基础网格插入高斯泼溅场景

    论文提出 GraftRay 方法,解决将虚拟网格物体无缝插入 2D 或 3D 高斯泼溅重建场景的问题。该方法利用扩散先验恢复场景材质与法线,显式建模空间扩展光源并求解其辐射度,通过混合渲染器联合路径追踪场景高斯与插入网格,生成视图一致的着色、互反射和软阴影。在 FIPT 基准上,GraftRay 在渲染保真度和阴影准确性方面优于 ComGS 和 EAG-PT 等基线,同时保持具有竞争力的渲染效率。

  15. arXiv · 机器人与计算机视觉58

    Omni-IGN:基于全景视觉的无人机机载图像目标导航

    论文提出 Omni-IGN,这是一个完全机载的图像目标导航系统,整合了四路鱼眼感知、注意力强化学习策略和碰撞安全层。系统在 Habitat 基准上优于连续动作基线,IsaacSim 飞行测试验证了结合学习型深度估计与安全层的避障有效性,真实世界实验实现了无需微调的外部定位零样本迁移。代码与模型检查点将在接收后发布。

  16. arXiv · 机器人与计算机视觉82

    RynnWorld-Latent:一种基于通用潜在动作的跨具身世界模型

    论文提出了 RynnWorld-Latent,这是一个利用 3D-grounded latent actions 作为共享条件接口的跨具身视频世界模型。该模型在预训练阶段联合使用了人类交互视频、机器人演示和仿真 rollout,无需统一的原生动作空间。

    推荐理由:该工作提出基于通用潜在动作的跨具身世界模型,支持在人类视频与机器人演示上联合预训练,并验证了其在真实机器人上的策略成功率提升。

  17. arXiv · 机器人与计算机视觉66

    GeoGSplat:基于几何先验的非像素对齐高斯泼溅模型

    针对现有非像素对齐高斯泼溅方法因缺乏射线和深度约束导致大视角变化下出现渲染伪影的问题,论文提出 GeoGSplat 模型。该模型通过双分支编码器构建锚点和三平面以捕捉粗粒度三维结构与细粒度场景特征,并利用分层解码器渐进式解码密集三维点与高斯基元,实现了三维重建与新视图合成。

  18. arXiv · 机器人与计算机视觉60

    RoboSTD:基于矢状面镜像的零样本单臂至双臂迁移方法

    针对双臂机器人操作演示采集成本高且单臂数据难以直接迁移的问题,论文提出 RoboSTD 方法。该方法首先对观测、本体感知及动作进行矢状面镜像处理以构建可执行的伪双侧演示,随后利用大语言模型生成结构化的时空协调约束,指导在工作空间区域与任务阶段的重建监督信号。

  19. arXiv · 机器人与计算机视觉74

    BoxWorld:让世界引擎控制视频生成器

    论文介绍 BoxWorld 框架,解决实时交互式视频世界中用户定义行为难以指定对象级规则的问题。该方法将交互推理与生成渲染分离,由代码代理构建世界引擎确定交互结果,再通过生成渲染器将状态流转化为视频。系统采用三阶段训练策略学习对象定位与状态转换,并在自生历史上进行蒸馏。作者提出了 PairedStateBench 基准用于评估细粒度交互控制能力。

  20. arXiv · 机器人与计算机视觉78

    Learning to Read Braille:盲文识别评测与改进

    针对 VLM 难以直接转录盲文的难题,本文构建了包含 259 张真实世界 Grade-1 和 Grade-2 盲文图像的基准 BrailleBench。研究发现通用模型表现不佳而工具辅助系统效果更佳;通过合成数据训练的 2B 参数模型在 Grade-1 上达到 87% 准确率,Grade-2 为 61%,优于现有系统但存在合成与真实场景间的显著差距。

    推荐理由:该文构建盲文评测基准并证明合成数据可提升模型能力,但指出合成验证高分无法保证真实照片识别效果。

  21. arXiv · 机器人与计算机视觉45

    ObjectTwin:测量绑定捕获的数字孪生资产对应差距

    ObjectTwin 提出一种基于扫描的测量协议,在冻结实例、相机及深度锚点等条件下仅替换物体表征以量化资产对应差距。实验显示,在两个室内 RGB-D 采集域和两种生成后端下,可见绑定生成的资产 MaskIoU 损失为 0.302-0.497。该研究确立了捕获对应关系作为衡量生成资产质量与物理评估之间独立接口的地位。

  22. Hugging Face Daily Papers72

    A-RSI:零数据多模态自适应任务刷新实现自我提升

    该论文提出 A-RSI 方法,旨在解决递归自我改进中何时引入新经验的问题。系统通过监控训练日志中的奖励变化和准确率来动态刷新任务池,无需依赖验证集或测试分数。模型利用静态库生成多模态问题及参考答案,并自动验证属性与审计答案,整个训练循环不依赖外部示例或人工标注。在包含 11 个基准的测试套件上,该方法使用 800 个新任务将平均性能从 57.77 提升至 61.05。

  23. 上海人工智能实验室 · 科研动态68

    上海人工智能实验室推出 MatVerse 材料多模态大模型

    上海人工智能实验室联合苏州国家实验室等推出“材华·MatVerse”材料多模态大模型及智能体应用体系。该模型采用独立编码器加统一解码器架构,将 XRD 谱图、电镜图像和分子结构等多源异构数据映射至同一语义空间,实现从知识记忆到逻辑推理的能力跃迁。

    推荐理由:MatVerse 材料多模态大模型上线,支持 XRD 谱图与分子结构理解及机理推理,并开放评测基准。

  24. Hugging Face Daily Papers53

    SciGame:让智能体在现实与反事实世界中探索科学发现

    Hugging Face Daily Papers 收录了 arXiv:2610.37919 论文,介绍了 SciGame 基准。该工作将科学文献转化为结构化卡片,构建包含真实历史定律和反事实环境的任务接口,评估智能体在识别与发现设置下的表现。实验表明,熟悉先验会损害规律改变后的性能,自适应策略对强模型有益但可能伤害弱模型,且解释性好的回答可能掩盖定量失败。

10月27日周二
  1. 上海人工智能实验室 · 科研动态75

    上海AI实验室推出通专融合智能体书生-A1.5

    上海AI实验室推出通专融合智能体书生-A1.5(Sage-A1.5),在神经科学与电化学等真实场景中验证递归自我改进技术路径。该模型具备智能体编排与校验能力,可自主拆解任务、调度子智能体并行调研并修正推理偏差。35B参数版本在多项专业评测基准中表现优异,支持昇腾NPU及多种GPU架构,面向科研团队开放试用。

    推荐理由:上海AI实验室推出通专融合智能体书生-A1.5,验证真实科学场景驱动基模自进化路径。

  2. arXiv · 机器人与计算机视觉82

    FermatSyn:基于 SAM2 增强的各向同性螺旋扫描多模态医学图像合成方法

    论文提出 FermatSyn,通过冻结的 SAM2 Vision Transformer 注入解剖学先验,结合分层残差下采样模块与跨尺度融合网络保留高频病变细节。

    推荐理由:提出 FermatSyn,利用 SAM2 先验与双向 Mamba 架构解决多模态医学图像合成中的全局一致性与局部细节冲突问题。

  3. arXiv · 机器人与计算机视觉59

    Code as Worlds:通过可执行代码表征物理世界以支持物理推理的代理发现方法

    论文介绍 Code-as-World 范式,主张用可执行的代码来表征物理世界的组成、动态演化及外观,以此提供紧凑且量化的抽象。研究开发了一种受溯因推理启发的代理发现循环,让智能体提出、执行、渲染并验证世界假设以迭代优化。实验表明该方法在 QuantiPhy 基准上达到最先进水平,超越主流专有模型,展示了可执行世界表征作为物理智能可扩展基础的潜力。

  4. arXiv · 机器人与计算机视觉82

    Crazyflow:一款准确、GPU 加速且可微分的无人机仿真器开源发布

    Crazyflow 是一款旨在推动空中机器人算法开发的统一仿真平台,结合高保真动力学与 JAX 框架实现高速与可微分性,支持百万级环境并行及数千架无人机集群。实验表明其支持无需域随机化的分析梯度策略学习与采样避障,并实现了飞行中强化学习:将物理无人机抛起后仅用 0.37 秒即可训练出恢复策略并将其接住。该工具作为开源资源,为合成数据生成及在线优化提供了新能力。

    推荐理由:Crazyflow 提供 GPU 加速的可微分无人机仿真器,支持百万级环境并行与飞行中强化学习,为空中机器人算法开发提供新资源。