GPT-6 真车测试后,智驾公司是否只剩一条路?
元戎启行 CEO 周光认为通用大模型控制真车完成驾驶任务正在发生,传统智驾公司将面临转型窗口期。文章对比了华为乾崑、Momenta、特斯拉和元戎启行的技术路线差异,指出行业分歧在于参数量与架构选择、数据飞轮权重及商业化节奏。2027 年 L3 强制国标实施、Robotaxi 规模化部署及付费模式验证将是关键节点,决定行业洗牌格局。
元戎启行 CEO 周光认为通用大模型控制真车完成驾驶任务正在发生,传统智驾公司将面临转型窗口期。文章对比了华为乾崑、Momenta、特斯拉和元戎启行的技术路线差异,指出行业分歧在于参数量与架构选择、数据飞轮权重及商业化节奏。2027 年 L3 强制国标实施、Robotaxi 规模化部署及付费模式验证将是关键节点,决定行业洗牌格局。
论文介绍 Micius-Flash 是一个拥有 270 亿参数的工程领域多模态模型,具备原生多模态输入、深度推理和 256K token 上下文窗口。研究团队构建了知识树驱动的数据飞轮,训练了半导体知识与推理、硬件编码等专家模型,并通过多教师同策略蒸馏整合能力。
推荐理由:该预印本介绍了面向工程领域的轻量级多模态模型 Micius-Flash,展示了其在硬件代码与半导体任务上的性能提升及工具执行反馈能力。
11月3日,上海纬钛科技有限公司与腾讯云正式达成战略合作,围绕云计算算力、大模型MaaS平台及智能产业落地构建“数据采集—模型训练—应用部署”闭环。双方将依托腾讯云GPU算力支持视触觉多模态数据处理及VTLA、世界动作模型的训练仿真,并计划优先在腾讯云平台部署核心研发系统。合作后续将通过智能制造等具体项目明确实施节点与成效。
Hao Fei 提出"AI 增强人类智能(AHI)”范式,定义“认知共生体”为嵌入个人运行时、具备感知保持理解行动思考与成长能力的终身伴侣。该研究构建了包含信任机制的共生循环架构,并探讨了从隐蔽协助到强制采用等新型治理风险。论文共 59 页含 21 张图及 18 个表格,已上传至 arXiv(编号 2611.05376)。
NVIDIA 携手合作伙伴在全球多座城市部署物理 AI 与智能体服务,利用共享计算基础设施降低本地政府数据管控门槛。西班牙马德里等地采用 1MillionBot 处理市政事务,旧金山湾区 LiveX 借助 Cosmos 模型实现机场医院等场景的交互式视觉服务。
11月3日,百度在Apollo Day上首次披露面向物理AI的Apollo World智能体驱动全模态世界模型,提出“2+3”判断标准(因果性、交互性为基础门槛;物理准确性、持久性、实时性为增益属性)。
11月3日,百度在Apollo Day上首次披露面向物理AI的智能体驱动全模态世界模型Apollo World,并提出“2+3”判断标准。该模型具备因果性与交互性,强调物理准确性、持久性和实时性。
推荐理由:百度Apollo首次披露面向物理AI的因果性、交互性驱动的世界模型,提出2+3判断标准并用于萝卜快跑全球化测试。
EduVideo2Code 方法通过分层提取实验步骤、编码为显式状态机并执行验证,解决了多模态模型难以忠实重构实验装置的难题。该方法在两个骨干模型上均提升了四项评估维度,其中装置保真度增益达 24.15 分。基准包含 218 个科学实验视频及 11,881 项评分细则,旨在为学习者提供可交互的虚拟实验环境。
米其林在 2026 年进博会上展示了由废旧轮胎回收炭黑等组成的 75% 可持续材料轮胎,该产品已通过第三方认证并具备量产装车条件。Touch Intelligence 纯软件方案无需加装硬件,利用轮速、ABS 及雷达数据反推抓地力与漏气状态,联合 Brembo 可将湿滑路面紧急制动距离缩短 4 米。米其林正与国内车企推进该系统开发,计划不久后在中国实现全球首次商业落地。
论文研究了布朗运动先验下高斯混合分布间的随机密度控制问题。由于直接求解无闭式解,作者引入升维路径空间构造,将轨迹增广源目标标签,分解为显式的分量间桥接问题及有限维熵耦合分配。
推荐理由:该文提出高斯混合分布的升维路径空间构造,量化了投影间隙与路径空间障碍,为密度控制提供理论边界。
PhysOmni 是一个免训练的框架,能将单张图像转换为具有物理一致性和可控性的视频。该方法通过统一的空间坐标系表示完整场景几何,解决了物体穿插和对齐模糊问题,并实现了准确的场景级多物体交互及复杂的机械控制。
针对现有视觉语言系统缺乏人类中心对齐评估框架的问题,本文提出 Anthropogenic Regional Adaptation 范式及 Geographical-generalization-made-easy (GG-EZ) 方法。
该论文提出在嵌入空间中求解随机逆问题的方法,通过将随机模式映射到不变嵌入空间来恢复未知因果参数,无需手工设计目标函数或启发式规则。研究利用在大图像数据集上训练的嵌入模型获取鲁棒表示,并在物理、生物和社会三个自组织系统(反应扩散系统、胚胎发育模型及社会隔离代理模型)中验证了该方法在模式结果存在随机性时仍能可靠恢复参数的能力。
论文提出 CoSMO(Conformal Semantic Mapping for Open-World Safe Robot Navigation)框架,旨在解决视觉语言模型在未知场景中构建地图时的置信度校准问题。
ExeWorldBench 是首个全面评估世界理解与可执行实现的基准,旨在衡量将物理原理转化为代码系统的能力。该基准包含机制可执行性、组合可执行性和意图驱动的可执行世界合成三项任务。实验显示当前前沿模型在构建具有物理交互行为的系统中存在显著局限。
推荐理由:ExeWorldBench 填补了代码化可执行世界建模的评测空白,通过三项任务揭示前沿模型在物理因果理解与实现上的局限。
该论文提出了机器人因子化世界模型(RoFacto),通过将动作实现与场景响应预测解耦:首先利用控制器和运动学将指令序列转化为无需未来状态的名义轨迹,随后通过 URDF 进行机器人渲染以显式处理几何、运动学和外观。该方法利用末端执行器深度和静态 RGB 上下文构建共享视觉接口,实验表明其优于向量条件基线,支持未见过的机器人本体迁移,并能从重定向的人类演示中生成操作视频。
推荐理由:提出将机器人动力学与渲染显式分离的世界模型架构,支持跨本体迁移及从人类演示生成操作视频。
研究团队提出 UAV-DualCog,这是首个将无人机智能体状态推理与世界状态推理进行联合评估的基准。该基准利用 SUSP 仿真平台与 DCCS 采集系统构建 4096 张图像和 2048 个视频样本,涵盖 12 个场景及共享的智能体 - 地标上下文。对 45 种多模态大语言模型的广泛评测显示,当前模型在无人机双认知任务中可靠性不足,状态推理弱于世界推理且语义回答缺乏空间时间配准。
该论文提出 RoboSnap 框架,旨在将真实世界场景快速转化为具备物理稳定性和视觉保真度的交互式仿真环境。其核心采用分层设计,对碰撞敏感的交互区域进行精细化处理以确保机器人操作稳定,同时利用 3D Gaussian Splatting 技术保留背景外观以支持新视角下的视觉一致性。
针对 MERU、HyCoCLIP 和 PHyCLIP 七个检查点,审计发现其收敛后曲率半径远低于产生显著度畸变的阈值,且语义遍历与乱序测试均未检测到有效的全层级读出。研究指出低曲率捷径导致模型通过放宽蕴含锥而非学习顺序来抑制违规,证实这些公式在当前诊断下未展现可操作的径向或基于锥体的层级结构。作者据此提炼出五数几何报告以评估未来关于层级的主张。
该论文提出了 FLEG 方法,这是一种前馈网络,能够从多视图图像重建语言嵌入的 3D 高斯泼溅(3D Gaussians)。针对现有方法输入视角固定且存在语义冗余的问题,FLEG 引入了几何 - 语义双分支蒸馏框架,支持可变数量的未标定和未定位的多视图图像作为输入。
该方法提出仅用相机通过多视图图像进行场景重建,结合视觉模型提取语义材质掩码并赋予物理属性,在消除硬件校准复杂度的同时提供媲美激光雷达融合的传感器仿真保真度。研究利用搭载传感器的测试车辆内部数据集验证,以激光雷达反射率作为基准,证实了其在玻璃等难处理材质上的几何与纹理表现优势。
MindEye2 通过预训练跨多个受试者并微调新受试者的少量数据,实现了仅需一小时 fMRI 训练数据的高质量视觉感知重建。该方法利用功能对齐将脑数据映射至共享潜在空间,并结合 Stable Diffusion XL 实现从 CLIP 空间到像素空间的转换,在图像检索与重建指标上优于单受试者方法。代码已开源。
Gibbs Variational Last Layers 通过吉布斯变分推断重构训练目标,在合成环境、混沌系统及真实数据上显著优于单步似然训练。该方法结合连续排名概率分数优化多步自回归卷展,大幅改善长视界预测准确性与分布拟合度。论文已获 NeurIPS 2026 接收,代码与权重开放许可待注册。
论文提出了‘面向人类的世模型’(HOWM)这一概念框架,旨在通过整合当前观察、个人历史与环境社会背景来组织持续的状态估计、个性化动力学预测及行动支持。该框架利用动态期望与新观测共同修正状态估计,并基于共享知识与个体经验生成个性化预报;同时引入外部策略将不同条件下的预报与人的目标偏好关联,并利用实际响应结果反哺模型修订。
该预印本论文针对安全关键应用中的在线主动学习(OAL)提出了稳定性理论框架。研究将预测误差作为反馈信号更新结构化深度模型,并证明仅靠输出误差收敛不足以保证全局参数收敛。通过分离输出调节、内部零动力学及层间耦合,结合持续激励与主动阻尼消除残差空模态,利用级联李雅普诺夫分析确立了整体学习过程的渐近稳定性,同时利用单调激活函数和微分同胚映射确保目标参数轨迹的唯一性。
推荐理由:该文提出基于李雅普诺夫稳定性的在线主动学习框架,解决了大规模多层神经网络在动态环境下的参数收敛与稳定性问题。
MirrorComm 是首个基于世界模型的协作感知通信高效框架。该框架在发送端和接收端部署镜像世界模型,利用共享的历史重建观测预测当前状态,仅传输修正预测误差的更新信息以大幅降低带宽需求。在 OPV2V 数据集上的物体检测和语义分割任务中,其通信带宽需求最高减少约 66 倍,同时保持与最先进方法相当的性能。
本文介绍 Tutorial Agentic Learning(TAL),一种无需参数更新的非参数化持续学习范式,通过两阶段对抗过程将教程视频整合为持久化的结构化记忆库,并在推理时利用目录树进行检索。研究构建了 VidLearn 基准,基于 72 个国际象棋教程视频,结果显示 TAL 在训练和测试集上分别比基线模型提升 113% 和 91%,且在双人实战中 69% 的对局开局阶段表现更强。
论文 AuroraWorld 提出一种结构化 4D 世界建模方法,用于从大规模外视角(exocentric)机器人操作视频中合成物理一致且策略相关的内视角(egocentric)观测数据。该方法旨在解决现有技术在处理大幅视点变换、严重遮挡及复杂物体交互时难以生成高质量内视角视频的难题。材料为 arXiv 预印本版本,未提及同行评审状态或具体实验结果。
论文提出 Pixel-UMI 框架,利用传感器化的人类演示数据学习环境感知的全身操作策略。该方法引入环境感知重定向(EAR)结合场景几何与人体轨迹生成避障关节目标,采用延迟校准动作分配解决运动学差异,并通过误差感知掩码(REAM)减少部署时的视角失配,最后利用 DAgger 收集在线人类修正以增强接触丰富交互的性能。
作者发布了 Isekai3D Synthetic Data Generation (SDG) 平台,旨在为视觉与世界模型研究提供多样化的合成游戏视觉数据。该平台结合可复用资产与 Unreal Engine 插件,采用两阶段工作流:首先进行世界仿真以记录状态、动作和相机轨迹;随后回放录制内容以生成渲染视频、图像及深度图等输出。
WISE 是一种在推理阶段对世界动作模型采样结果进行评分与筛选的方法,通过评估动作有效性、时序规律性、逆动力学一致性及任务进度,从四个候选中执行得分最高者,无需更新模型参数。
该工作论证了现有两个独立组件可构成完整的人体世界模型:KNOWN 负责实时三维人体重建并估计偶然性与认识论不确定性,PhysMoP 负责基于学习动力学项求解欧拉 - 拉格朗日方程以预测未来身体构型。作者定义了两者接口,提出了三种让不确定性进入物理模型的机制,并制定了野外视频评估协议。材料未报告新的实验结果,仅作为 CoRL2026 UncertainWM Workshop 的预印本提交。
VerifLM 是一个将图像编辑生成的目标配置转换为经物理验证的六自由度物体位姿的框架。该方法利用编辑后的图像恢复主动与被动物体间的初始相对位姿,提示视觉语言模型生成分轴采样约束和任务特定验证程序,并在物理模拟器中评估候选位姿。
推荐理由:该框架将图像编辑目标转化为经物理验证的位姿,在无需预定义网格的情况下实现高成功率。
该论文介绍 DR Pixel,这是首个将渲染后的文档页面图像作为唯一检索与推理单元的开源端到端多模态深度研究智能体。研究构建了 DRPixelBench 基准以评估在科学论文(含文本、图表、公式)上的表现。
推荐理由:提出 DR Pixel,首个基于渲染页面图像而非 OCR 文本的开源多模态深度研究智能体,在科学文献处理上无需训练即可超越现有基线。
该研究论证在卫星自主巡检任务中,算法选择并非设计核心,关键在于是否允许智能体漂移、记录漂移状态及规划视界长度。移除任一要素会使燃料消耗翻倍,而基于忽略燃料的世界模型代理会浪费数倍燃料。此外,决策层下的控制屏障函数滤波器成功消除了两千年评估回合中的所有禁飞区违规。
论文提出了 ReGATE,一种结合以自我为中心的深度、本体感知及在线移动与接触命令的全局控制器。该方法基于教师 - 学生框架,利用循环适配器预测物体几何与物理接触,无需外部姿态估计器;通过头部级和全局门控调节视觉更新路径。研究在仿真中实现了静态与动态物体的高成功率获取,并在宇树 G1 硬件上演示了抓取、搬运及释放序列,验证了在初始观察后相机被遮挡情况下的成功交互能力。
针对自回归视频扩散模型在推理步数超出训练范围时性能急剧下降的问题,本文提出 Disen-Forcing 方法。该方法发现现有帧池化策略导致注意力头过度条件化,进而引发运动坍缩;Disen-Forcing 通过解耦上下文路由和运动分离正则化,强化注意力头的专业化分工,在长视频生成基准上同时提升了长程一致性和运动动态性。
论文提出 History Forcing 统一在线策略蒸馏框架,旨在解决少步自回归视频扩散模型在长序列生成中的一致性难题。该方法利用教师模型在有/无历史信息下的预测残差来解耦监督信号,将历史信息约束融入学生模型的分数或速度预测目标中。
推荐理由:提出 History Forcing 蒸馏框架,利用历史信息约束长序列生成,在 1.3B 参数规模下实现 VBench 质量分 85.07。
Joyjeet Singh 在 arXiv 上发布论文,复现了 Robotic World Model (RWM) 的动力学模型,并针对其后续版本 RWM-U 用于离线策略优化的不确定性估计进行了测试。
推荐理由:作者复现了 Robotic World Model 的动力学模型并测试了其不确定性估计,发现其误差覆盖严重不足且存在缺陷。
针对现有世界动作模型(WAMs)因需显式想象未来状态而导致计算开销大、难以满足实时控制的痛点,本文提出 W2A 框架。该方法在训练阶段将视频扩散模型的中间去噪表示蒸馏至动作模型,测试时完全丢弃视频模型,假设压缩的低维子空间足以提供有效监督。实验表明,W2A 在 LIBERO 基准上平均成功率达 95.9%,推理速度比代表性 WAM 基线快约 21 倍,兼顾了高成功率与高效率。
推荐理由:提出将视频扩散模型的中间去噪表示蒸馏至动作模型,测试时完全丢弃视频模型,在保持高成功率的同时显著降低推理延迟。