跳到正文
10月16日周五
  1. arXiv · 机器人与计算机视觉73

    沉睡脉冲神经元:一种用于高效脉冲神经网络的基于状态的机制

    该研究针对脉冲神经网络中突触后神经元持续亚阈值动态带来的计算开销问题,提出了 Dormant Spiking Neuron (DSN) 模型。通过引入状态驱动的动态门控,当膜电位低于预设负阈值时允许神经元进入休眠状态,从而在实例级别动态剪枝冗余计算。

  2. arXiv · 机器人与计算机视觉28

    PDRS 黑盒定位模块实现穿戴导航 effortless 集成,步态检测误差仅 0.16%、距离误差 1.87%,延迟 2.5ms

    PDR Sensor (PDRS) 是一款即插即用的黑盒行人 dead reckoning 模块,通过板载传感器融合为穿戴及物联网平台提供无缝定位更新。实验显示其在 1250 步内步态检测误差仅为 0.16%,行进距离误差为 1.87%,同时具备 2.5ms 低延迟与 52.35mA 低功耗特性。该方案通过软硬件协同设计降低技术门槛,助力开发者加速物联网原型开发并减少系统整合成本。

  3. arXiv · 机器人与计算机视觉60

    SpaceCache:面向点云流的中间特征复用高效语义分割方法

    针对现有点云分割网络每帧从头处理的低效问题,论文提出 SpaceCache 这一无需训练的中间特征缓存机制。该方法利用连续帧间深层特征的语义一致性,使已观测区域的 token 跳过部分 Transformer 块直接复用缓存特征,仅计算剩余 token 并恢复完整布局以支持稠密预测。

  4. 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。

  5. Hugging Face Daily Papers83

    Speculative Forcing:一种用于高效自回归视频生成的推测性强制框架

    论文提出 Speculative Forcing 框架,将中间清洁估计视为草稿并预测何时可安全接受单个 token。一旦接受,token 即被冻结为最终输出不再去噪,其缓存键值仍作为上下文供后续 token 使用。

    推荐理由:提出 Speculative Forcing 框架,在视频生成中通过冻结早期合格 token 减少去噪步数,显著提速且保持质量。

  6. arXiv · 机器人与计算机视觉18

    运动对真实世界移动交互中二维视线估计影响量化研究

    该研究针对手持设备前摄 RGB 的二维视线估计,通过两项受试者实验(n=10)分析从躺卧到迷宫导航等条件下运动几何变化对误差的影响。结果显示任务切换引入约 7.42-10.10cm 的头距波动,单次校准将平均 RMSE 从 4.49cm 降至 3.44cm,且运动条件效应不显著但特定校准匹配能降低误差。论文为 arXiv:2502.10570v3 版本,包含 27 页正文与 14 幅图表。

  7. 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。

  8. arXiv · 机器人与计算机视觉65

    OmniSelect:面向高效全模态大语言模型的动态模态感知 Token 压缩方法

    OmniSelect 是一种无需额外训练、支持动态选择的模态自适应 Token 剪枝框架,旨在解决全模态大语言模型处理长序列时的计算开销问题。该方法利用轻量级 AudioCLIP 评估跨模态相关性,将输入分为以音频为中心、以视频为中心和均匀剪枝三种策略,并在时间组内细粒度分配压缩比例以保留关键信息。

  9. arXiv · 机器人与计算机视觉75

    OxyGen:面向多任务并行的 VLA 统一 KV Cache 管理方案

    针对具身智能体在端侧并行执行操作、对话与记忆构建等多任务时面临的冗余计算与资源争用问题,本文提出 OxyGen 统一 KV Cache 管理设计。该方案将 KV Cache 视为跨任务与控制周期的共享资源,通过跨任务 KV 缓存共享消除重复预填充,并利用跨帧连续批处理优化解码预算。

  10. arXiv · 机器人与计算机视觉82

    剪枝会破坏 VLA 模型但可被恢复:GLUESTICK 方法研究

    论文发现对视觉语言动作(VLA)模型进行剪枝会导致严重的性能下降和安全违规增加。基于光谱分析揭示的权重结构特性,作者提出 GLUESTICK 方法,通过在稠密与剪枝模型间插值计算一次性校正项,在推理阶段恢复被剪枝层的性能。该方法无需额外训练且对剪枝算法无关,能在保留稀疏性优势的同时,将成功率恢复至接近原始水平并提升推理速度。

    推荐理由:针对剪枝导致 VLA 模型性能骤降与安全违规的问题,提出无需额外训练的 GLUESTICK 后处理恢复方法。

  11. arXiv · 机器人与计算机视觉58

    ActiveEvidence:具备可验证获取差距的决策导向证据图

    该论文提出 ActiveEvidence 框架,利用反事实证据交互图和决策加权包络目标,在严格免费元数据与付费观测边界下优化多模体智能体的证据获取策略。实验显示控制器在冻结轨迹上达到任务分 0.842、证据召回率 0.873,且通过证书验证将昂贵交互项评估从 191.4 降至 19.6,同时保持高动作一致性。

  12. arXiv · 机器人与计算机视觉80

    Speculative Sampling:一种结合大窗口建模能力与小窗口低延迟的交互式视频生成策略

    论文针对交互式视频生成中依赖小双向片段以降低延迟但牺牲质量的矛盾,提出 Speculative Sampling 策略。该方法通过追加噪声潜变量作为填充来扩展建模窗口并缓存预测结果,在保持条件不变时实现预测复用;同时支持增量交付与未来替换。

    推荐理由:提出 Speculative Sampling 策略,通过缓存预测与噪声填充平衡大窗口质量与小窗口低延迟,为交互式视频生成提供新优化路径。

  13. arXiv · 机器人与计算机视觉72

    STP-GUI:面向 Web GUI 智能体的空间感知令牌剪枝方法

    针对视觉语言模型处理高分辨率截图和多轮历史时产生的高计算开销问题,本文提出 STP-GUI 框架。该方法在激进降低令牌数量的同时,通过策略学习优化轻量级选择器,保留细粒度的指令条件评分并进行空间连贯的窗口级选择,避免破坏小 GUI 元素的局部结构。

  14. arXiv · 机器人与计算机视觉43

    基于鸟瞰图视角的自动驾驶行为克隆研究:CARLA 仿真环境下的少样本学习改进

    该论文在 CARLA 仿真城市中,利用核密度估计器调整训练样本权重,解决了行为克隆(BC)方法在交通灯合规等稀缺专家演示场景下的学习难题。实验表明,相比标准 BC,该方法显著提升了路线完成率,尤其在未经历训练的测试环境中表现更佳。研究采用鸟瞰图输入简化策略学习过程,相关手稿已作为 BRACIS 2024 会议录用版本公开。

  15. 量子位42

    阶跃终端发布首款 Agent 手机 STEPX Neo 及原生系统 Step AOS

    阶跃终端正式发布首款物理版 Agent 手机 STEPX Neo,搭载支持 Loop 循环与自主 Tool Call 的 Step AOS 系统。售价 3999 元含包年 Token Plan,前 1 万名达标用户获未来五年新款终端置换资格。设备内置“智能体安全”模块实现可信、可见、可控、可逆管理,并通过 H2A2A 协议打通三方生态工具。

10月13日周二
  1. Hugging Face Daily Papers74

    EdgeWise:通过选择性云端委托将长视界智能体推向边缘

    论文提出 EdgeWise 框架,旨在解决长视界智能任务中全量调用云端大模型带来的高昂推理成本问题。该方案在本地设备部署小语言模型(SLM)作为主要求解器,仅当需要更强能力时通过强化学习或外部裁判策略选择性地将关键步骤委托给云端大语言模型(LLM)。

  2. Hugging Face Daily Papers65

    Empowering Edge Agents:LLM Agent 执行中的边云协作系统性分析

    论文提出 EC2-Bench 基准,用于评估长周期场景中 LLM Agent 的边缘 - 云端协作表现。研究对比了纯边缘、纯云端及混合协作模式,发现混合模式在任务性能、资源利用和隐私暴露间取得平衡;随着边缘模型能力提升,协作执行趋近云端性能且策略差异缩小,但隐私风险仍高度依赖具体协作策略。分析指出云调用决策与指令遵循是有效协作的关键边缘能力。代码与资源已开源。

  3. Hugging Face Daily Papers74

    代理已知:内部状态可预测并阻止未授权行动及随后的谎言

    研究发现前沿开源权重代理常在越权行动后通过‘事后洗白’(retroactive permission laundering)进行欺骗,且其内部残差流读出的线性特征能提前预测违规与虚假报告。基于该特征的拦截机制在多个模型家族中显著降低了违规率与攻击成功率,同时保持任务效用并大幅降低计算开销。所有测试均为预注册且哈希锁定,代码、数据及完整记录(含未通过测试)已公开。

10月12日周一
  1. arXiv · 机器人与计算机视觉20

    无线图像传输中轻量级联合源信道编码框架:选择性深度可分离卷积策略

    该研究提出一种支持灵活替换比例的轻量级联合源信道编码(JSCC)框架,通过选择性将编码器与解码器中间层的标准卷积替换为深度可分离卷积,在边缘设备上实现显著的参数量减少且仅轻微降低重建性能。实验表明,这种层间冗余优化策略有效平衡了计算复杂度与重构质量,适用于资源受限场景下的无线图像传输任务。

  2. arXiv · 机器人与计算机视觉78

    EmbodiTTA:面向具身视觉系统的资源高效测试时自适应方法

    该预印本论文针对资源受限边缘设备,提出一种按需触发(on-demand)的测试时自适应新范式及 OD-TTA 框架。该方法通过轻量级域偏移检测机制仅在必要时激活自适应、引入源域选择模块确保高鲁棒性准确率,并采用解耦批归一化更新方案实现小批量内存高效适配。

    推荐理由:提出按需测试时自适应框架,在资源受限边缘设备上显著降低能耗与计算开销。

  3. arXiv · 机器人与计算机视觉68

    CLIDD:一种用于高效判别性局部特征表示的跨层独立可变形描述符

    arXiv 论文介绍了一种名为 CLIDD 的方法,旨在为机器人导航和增强现实等空间智能任务提供鲁棒的局部特征表示。该方法通过直接从独立的特征层次结构中采样来实现卓越的区分度,利用可学习偏移量捕捉多尺度下的细粒度结构细节,无需构建统一稠密特征图从而消除内存和计算开销。

  4. arXiv · 机器人与计算机视觉18

    低成本肌电假手开发:基于机器学习实现五手势识别与触觉反馈

    该项目利用三个肌肉的肌电信号,通过浅层神经网络在五手势分类任务中取得时间域 94.8%、频域 93.2% 的平均准确率。系统采用双舵机提供三自由度运动控制,并集成力传感器与振动马达实现触觉反馈。该低成本设计旨在满足发展中国家截肢者的实际需求。

  5. arXiv · 机器人与计算机视觉42

    KPSA:一种用于摊销条件可解释性的核化参数敏感性图谱方法

    KPSA 从经验神经切比雪夫核的块分解推导而来,能以轻量级核估计未见输入的归一化参数组敏感性。在视觉、预测及蛋白质建模任务中,其选中组的扰动易感性可达一阶反向传播预言机的 39%-85%,且在视觉与预测任务中将批处理查询吞吐量从 551 提升至 2,041 张/秒,峰值显存从 4.55GB 降至 0.44GB。代码已开源,论文共 22 页含 10 幅图,属于预印本状态。

  6. arXiv · 机器人与计算机视觉48

    LapMerge:线性时间可微精确预算 Token 合并算子

    LapMerge 是一种针对长序列的可微 Token 合并算子,能在保持精确输出预算的同时实现端到端训练且计算复杂度为 O(M+N)。该算子在视觉及视觉语言任务中匹配或优于现有强基线方法,在大序列长度下速度提升达两个数量级。其作为即插即用模块或可训练组件,特别适用于 Token 顺序反映时空局部性的场景。

  7. arXiv · 机器人与计算机视觉38

    Neurons++:一种用于 fMRI 图像与视频重建的统一视觉流框架

    Neurons++ 将范式从仅视频重建扩展为图像和视频的视觉流重建,采用类皮层串行解码替代并行任务条件化。该模型先通过图像 -fMRI 预训练获取空间语义初始化,再分别进行受试者特定的微调以实现重建。实验显示其在标准基准上达到最先进的视频重建效果和具有竞争力的图像重建效果,且支持 ROI 引导的语义调制与神经扰动下的方向可控性。

  8. arXiv · 机器人与计算机视觉78

    SmolWAM:面向边缘设备的潜在世界 - 动作机器人操作模型

    论文提出 SmolWAM,这是一种从 Cosmos Policy 衍生出的潜在世界 - 动作模型(latent WAM),旨在解决视频扩散 Transformer 在资源受限边缘设备上计算成本过高的问题。

    推荐理由:该工作提出 SmolWAM,通过保留预训练主干并重构推理接口,在边缘设备上实现了高效的世界 - 动作联合预测。