BALD-SAM:一种基于分歧的交互式分割主动提示方法
该工作提出 BALD-SAM 框架,将贝叶斯主动学习中的分歧度量应用于 SAM 模型的主动提示选择。通过冻结主干网络并仅在小预测头进行不确定性建模,实现了大规模基础模型的可计算不确定性估计。该方法在涵盖自然、医疗、水下和地震领域的 16 个数据集上表现优异,在 14 个基准测试中排名前二,且在薄物体和复杂结构分割任务中超越人工提示及理想提示基线。
该工作提出 BALD-SAM 框架,将贝叶斯主动学习中的分歧度量应用于 SAM 模型的主动提示选择。通过冻结主干网络并仅在小预测头进行不确定性建模,实现了大规模基础模型的可计算不确定性估计。该方法在涵盖自然、医疗、水下和地震领域的 16 个数据集上表现优异,在 14 个基准测试中排名前二,且在薄物体和复杂结构分割任务中超越人工提示及理想提示基线。
论文 EmboTeam 提出一种神经符号框架,利用大语言模型生成结构化状态期望,并通过 PDDL 符号搜索验证与协调,最终落地为团队级并行行为树及机器人子树的技能执行与同步。
FacEDiT 模型将说话人头视频编辑定义为自监督的面部运动填充任务,利用语音与周围运动上下文恢复被掩码区域。该模型引入局部时间注意力偏差和时序平滑正则化以优化口型对齐及边界连续性,并配套发布首个涵盖多样编辑类型的 FacEDiTBench 基准。实验表明该方法在保持身份特征的同时实现了精准的语音对齐编辑,且同一架构可拓展至肖像动画与口型同步任务。
该论文提出了 GraphGeo 框架,利用异构图神经网络对视觉地理定位任务进行建模。系统通过类型化边区分支持性协作、竞争性论证和知识转移等关系,并引入双层辩论机制结合节点级细化与边级论证建模。跨层级拓扑细化策略实现了图结构与智能体表征的协同进化。实验表明该框架在多个基准测试中优于单模型及多智能体基线,能将智能体间的认知冲突转化为更高的定位精度。
论文 LSD-3D 提出一种直接生成大规模 3D 驾驶场景的方法,旨在弥合神经重建与扩散模型在几何约束上的差距。该方法结合代理几何与环境表示的生成及从学习到的 2D 图像先验进行的分数蒸馏,实现了高可控性、提示引导的几何控制以及基于地图布局的高保真纹理和结构条件化,能够产生具有物体恒常性和显式 3D 几何估计的真实且几何一致的复杂驾驶场景。
该研究调查了 persona-conditioned visual interestingness 在 Qwen3-VL-8B-Instruct 中的表征几何,发现早期层主要编码图像身份,而特定人物结构出现在深层。提示词框架对内部表征的重塑作用强于人物身份,但人物内容对行为判断影响更大,表明表征距离不一定反映行为相关性。
推荐理由:揭示了多模态大模型中表征几何与行为判断的解耦机制,为理解模拟视角的内部运作提供了新证据。
论文介绍 SSoG,一种用学习到的轴因子化高斯核混合替代稠密自注意力的可分离求和高斯空间算子。相比点积自注意力,SSoG 具有全局 Lipschitz 连续性,保证连续深度变体在积分区间存在唯一解。
Adam Y. Shavit 提出停车问题的形式化分析,区分了静态适配、最终可达性与资源受限可达性三种间隙指标。研究证明在特定场景中,倒车入库与直进式停车的不对称性源于有限操作次数下的修正需求差异:一次反转即可满足倒车入库的最小间隙要求,而直进式停车至少需要两次反转才能达到同等安全裕度。
推荐理由:该文通过形式化论证揭示了倒车入库与直进式停车在有限操作次数下的可达性差异,为理解驾驶员直觉提供了理论依据。
针对自动驾驶领域需重新训练才能适配新驾驶目标的限制,本文提出 GuidedWAM 框架,在采样阶段通过可微分能量机制向冻结的世界动作模型注入新的驾驶目标。该方法利用采样时的引导调度、每能量归一化及速度有界修正来稳定生成过程。
该论文针对多智能体场景中的导航问题,指出仅依赖当前状态无法避免局部可行但全局错误的动作(如切入人流)。作者提出将世界模型作为训练时的偏好 oracle 来蒸馏前瞻能力,而非在推理时进行昂贵的在线规划。
推荐理由:论文提出将世界模型用于训练阶段以蒸馏前瞻能力,部署时移除模型实现低成本导航。
针对仅具备相对位置测量和单一绝对位置锚点的差速驱动机器人团队,提出一种直接从优化推导的两层估计控制方案。该方法利用图邻域估计器重构质心、锚点向量与中心坐标,结合距离梯度形状调节与有限旋转消除姿态漂移,在 ROS 2 Gazebo 仿真及五台物理机器人的实验中验证了局部指数收敛性。
针对物理 AI 任务中自回归视觉语言模型逐点生成导致效率低下的问题,该论文提出 VFlash 方法,利用轻量级 drafter 通过 Flash Primitive Decoding 联合预测视觉原语(如包围盒、轨迹)的坐标。
SLA 是一个从 pi05 策略初始化、利用冻结三维感知模型进行联合优化的空间语言动作模型,旨在将隐式空间对齐能力扩展至持续预训练阶段。该模型通过特征依赖门控自适应聚合多 VLA 层视觉嵌入,并融合部分深度与相机标定数据以支持异构机器人数据集的空间学习。所有辅助组件仅在训练时使用,允许直接复用预训练的 VLA 权重并保持原始推理架构不变。
该研究提出 Radio-to-Pose Information(RPI)接口,利用注册在同一世界坐标系下的无线电衰减图修正机器人团队的量纲漂移。在 50×50 米竞技场中,RPI 将仅用无线电加权相对测量的基准位置均方根误差从 0.542 米降至 0.140 米。该方法基于接收功率对世界地图共享位移的敏感性,通过高斯信息矩阵与向量更新姿态并最小化不确定性。
该论文提出分层增量 Beta Splatting(HIBS)方法,将 Beta 核引入在线 3D Gaussian Splatting 以解决初始化差和细节缺失问题。利用几何可观测性和多视角深度一致性进行置信度感知生成,结合误差驱动的重新定位与 LOD 层级优化,在 Mip-NeRF 360 协议下提升 PSNR 最高 0.8 dB 并减少优化时间最多 40%。论文已接受至 WACV 2027。
推荐理由:提出分层增量 Beta Splatting 方法,在在线重建任务中提升 PSNR 并缩短优化时间。
作者提出交互式视觉健身房框架,旨在对支持持续物理任务的视觉交互模型进行闭环评估与训练。该框架联合仿真可执行任务环境与人类用户,贡献了烹饪、家庭操作和移动界面领域的三个模拟器及人物条件化用户模拟工具,并包含 315 个交互场景的基准测试。
针对基于前沿的探索系统需反复计算机器人位姿与候选视点间测地线成本的问题,本文提出 H-TRIP 方法。该方法利用 Kleene 代数在 min-plus 半环上构建精确距离索引,将地图划分为具有固定边界端口的空间层次结构。
推荐理由:提出基于层次化热带秩一增量传播的精确距离索引,解决多机器人探索中全局捷径导致的缓存失效问题。
论文 FreeOcc 提出了一种轻量级连续时间世界模型,利用显式的 SE(2) 几何解耦将自运动从场景动态中分离,构建了纯动态特征空间。该模型引入不确定性感知混合机制,将高置信度体素路由至单次解码器,仅对模糊区域使用 ODE 求解器。
论文提出了 H-BRICK 方法,旨在解决静态网格图中重复可达性查询的存储与效率问题。该方法将图划分为瓦片,计算局部布尔 Kleene 闭合并投影到边界端口,通过递归组合构建精确的全局可达性索引。实验表明,在多样化的地图拓扑下,H-BRICK 相比有向搜索和基于组件的基线方法,在查询密集型场景下能有效降低存储需求;批量评估显示,当 k=64 时吞吐量提升 5.0-22.9 倍。
论文提出 Spatiotemporal Training with Explicit Prediction (STEP) 框架,旨在解决感知型人形机器人运动中地形几何与身体状态演化的关联问题。
推荐理由:提出 STEP 框架,联合监督跨模态关系与动作依赖的状态演化,在仿真及硬件实验中提升地形穿越成功率。
Anas Shrinah 等人提出一种感知几何对称性的代理辅助测试方法,通过变换障碍物配置至共享规范坐标系,使在单一参考任务上训练的神经网络代理能复用于任意任务,从而减少高保真仿真数据需求。
DCAP 框架摒弃静态姿态预测,通过语义释放状态驱动耦合刚柔模拟器实现物理真实的物体放置。该方法在标准任务中将 VLM 物理性与自然度提升 21.2 分、人类偏好提升 26.5%,并将平均穿透深度降低 72.3%。研究证明准确建模语义意图与物理实现的分离过程对解决室内放置问题至关重要。
Bri3D 框架提出利用实例感知体素场景锚点,将场景级结构推理与物体级生成先验相结合以解决单图三维场景生成的几何退化问题。该粗到细设计分离了空间组织与细节合成,使冻结的物体生成器能在锚点定义的参考系中高效合成纹理几何。实验表明 Bri3D 在场景布局、物体几何及视觉质量上优于 SceneGen 和 SAM3D,且全场景生成速度快于这两者。
该论文提出 WAM-Sim 模型,旨在解决自回归驾驶世界模型在长 rollout 中出现的结构漂移、身份漂移和质量衰减问题。该方法通过持久分层记忆(包含姿态对齐的结构 token、只读场景 token 和一次性实例 token)来维持跨时间尺度的上下文一致性,并利用在线流匹配强化学习优化自生成的 rollouts。
针对全景视频深度估计面临的大规模数据稀缺及等距圆柱投影(ERP)特有的时空挑战,本文提出 PVDepth 端到端框架与 PanoCARLA 大规模合成 RGB-D 数据集。该方法通过渐进式球面感知噪声初始化策略和立方体校正时序建模模块,有效缓解几何失真与非线性动态问题,生成几何准确且时序一致的深度序列。代码与数据将在指定链接发布。
PlayGen2 是一个实时交互式世界模型,它将学习的三维状态演化与神经渲染分离开来。该模型维护包含静态几何和实体身份的持久化世界记忆,在固定局部区域内联合学习动作条件化的实体动力学、几何补全和实体发现,并通过独立的神经渲染器合成第一人称观察视角。
推荐理由:PlayGen2 将三维状态演化与神经渲染分离,在 Doom 测试集上实现实时交互与零样本泛化。
论文介绍 THG-Omni 框架,通过结合 Segment Anything Model 3 的参与者轨迹与 Qwen3-VL 的时间锚定标注,构建可追溯的视频证据图以训练多模态模型的推理能力。
AffineGS 提出一种无传感器方法,利用区域平滑、边缘感知的场将单目视差校正为一致度量深度,并引入法向量感知正则器耦合深度与法线。该方法在多样实验设置下保持高光度质量的同时显著提升几何精度,优于当前最先进关注几何的方法,且论文已被 NeurIPS 2026 接收。
论文介绍 ArtCrafter,这是一种用于从成对图像(静止态与张开态)生成可控关节式 3D 物体的前馈生成模型。该模型基于 DiT 架构,通过共享基槽和配对槽布局联合生成部件级网格,并利用三元组注意力机制确保跨状态几何一致性,同时引入排斥损失防止部件穿透。
Embodied RAG++ 提出 E2W-Bench 基准,利用动态混合场景图关联产品手册以评估机器人 - 物体分配。该框架在 Qwen2.5-32B 上达到 0.90、Llama3.3-70B 上达到 1.00 的配对准确率,优于基线且预处理时间最短。论文已接受至 SII 2027,代码与数据许可状态待 arXiv 注册确认。
针对当前多模态大语言模型在复杂关系推理中存在的静态观察局限,本文提出 PSGAgent 框架,利用区域缩放和视觉高亮工具实现动态感知优化。研究构建了高质量思维链数据集并设计了分层奖励机制,实验表明该方法在全景场景图生成基准上达到最先进水平,相关成果已获 ACM Multimedia 2026 录用。
该论文提出 Spatial-UMI-Dream,这是一个 5B 参数的空间世界动作模型(WAM),在 605 小时 RGB-D UMI 数据上通过两阶段训练预训练,旨在联合预测未来 RGB、鱼眼对齐的度量深度及动作。
针对 3D 场景表示学习尚未取得与图像基础模型相当成功的现状,本文提出 VINO 框架以无标签方式学习语义表示。核心改进包括:将分层 PTv3 骨干替换为体积 Transformer;在学生 - 教师网络中分离角色,由教师提供一致目标、学生学习强扰动下的不变性,并禁止学生访问被遮挡几何体;最后重构 2D 到 3D 的知识蒸馏,用视图一致的监督替代直接回归。
上海 AI 实验室发布科学多模态框架书生·元征(Sage SciPerception),引入递归式自我改进模式,让模型能自主分析任务表现并提出新的投影模块方案以优化感知架构。
推荐理由:上海 AI 实验室推出支持递归式自我改进模式的科学多模态框架,赋予大模型自主优化感知架构能力。
论文介绍 SIRIS 框架,通过扰动仿真器构建具有相同候选方案但预测结果不同的工作负载对,测试大模型是否能识别仿真限制并据此做出正确选择。实验评估了十三款前沿 LLM 在系统设计问题上的表现,发现仅凭识别限制并不保证选择正确,且强模型有时会放弃有效推荐;自我修正虽能恢复部分选择但也引入新错误。
推荐理由:该预印本通过扰动实验发现,前沿大模型在依赖有缺陷的仿真器时难以识别错误并坚持有效推荐,揭示了系统理解评估的新挑战。
World Labs 发布 Frameboy 研究预览,允许用户通过浏览器以最高 15 fps 的速率控制相机并实时探索由 Atlas 生成的 3D 场景。该演示基于高度优化的 Atlas 变体,支持从单张输入图像或文本描述生成全新视角,并可集成至 Viewfinder 应用用于构建和流式渲染自定义场景。
推荐理由:World Labs 推出 Frameboy 演示,支持以 Atlas 世界模型实现实时交互与流式帧生成。
该论文评估了采样广度与交互深度对多轮智能体强化学习性能的影响,发现其优势依赖于充足的回合预算且集中于错误恢复与长程韧性,而非均匀提升单步决策质量。作者提出 BudgetMix RL 方法以缓解预算依赖带来的部署风险,并展示了其在多样化执行设置下的鲁棒性。
推荐理由:原文通过多轮交互预算分析揭示强化学习在长程任务中的优势边界,并提出 BudgetMix RL 以缓解部署风险。
FrontierPhysics 是一个由 42 位物理学家基于自身研究设计的端到端基准,包含 56 个涵盖理论、计算和实验物理的任务。该基准要求智能体完成文献综述、制定计划、开展研究与实验并产出结构化输出及科学手稿。
这篇论文是 Transactions on Machine Learning Research 于 2026 年发表的首篇关于强化学习与图形用户界面智能体交叉领域的全面综述。
论文提出 Marathoner,一种具备超长视界执行能力的自主智能体模型。研究通过利用 GitHub 仓库中超过 1000 行新代码的重大发布 PR 合成挑战性任务级数据,并引入多任务链式技术将多个生成任务串联为单一高难度任务。