Gaussian Episodic Memory for Long-Term Spatiotemporal Reasoning
论文介绍 GEMS 框架,通过一次性重建并仅更新变化区域的持久化 3D 高斯溅射图,结合代理推理管线按需渲染新视角以回答时空问题。作者构建了包含 15 个环境、473 对问答的 GEMS-Bench 基准,实验显示该方法在物体定位和时空问答上优于基线,且渲染质量与专用更新方法相当。代码和数据已公开。
论文介绍 GEMS 框架,通过一次性重建并仅更新变化区域的持久化 3D 高斯溅射图,结合代理推理管线按需渲染新视角以回答时空问题。作者构建了包含 15 个环境、473 对问答的 GEMS-Bench 基准,实验显示该方法在物体定位和时空问答上优于基线,且渲染质量与专用更新方法相当。代码和数据已公开。
本文介绍 MARC(Mechanism-Aware Reflective Correction)方法,旨在解决从图像和文本生成可执行运动学连杆物体的难题。该方法共享一个可执行的运动学图,将物理连接绑定到局部附着帧并代表闭环与关节耦合。
针对现有方法在航拍领域因尺度变化剧烈和视觉模糊导致的严重幻觉问题,本文提出 Aerial-R1 框架。该框架受 DeepSeek-R1 启发,利用多视图一致性建立类似思维链的视觉推理机制,并引入混合视角组优势加权回归策略以适配非自回归掩码生成。
论文介绍 Saga,这是一个多模态患者世界模型,能够从患者历史中学习共享状态以预测临床事件并生成多模态图像。研究基于 12 种癌症类型、461,370 名患者及 112 个中心的数据。
推荐理由:该工作提出 Saga 多模态患者世界模型,通过共享状态连接病史与未来事件,在癌症纵向预测任务中展现出优于基线的性能。
Work Agents 提出以工作为中心的系统视角,将智能体定义为结合基础模型与运行时框架的执行单元。研究通过“工作持久性”和“开放性”两个维度分类数字工作形式,并识别出可靠执行所需的五大核心能力家族及联合优化方法。论文构建了统一框架以评估智能体在状态化工作空间交付可验证结果的可靠性,为未来持续委托与环境适应指明方向。
论文提出了 WebAnything 框架,旨在解决 Web 智能体训练所需的多样化、可执行且可重置的网站环境问题。该框架通过 Explorer-Builder 收集浏览器可观测的结构和资源,并利用独立验证器检查候选环境并指导修复,从而在不依赖人工实施或后期修补的情况下,从真实 URL 重建基于源码的 Web 环境。
岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源了EdgeRock-4B模型,该模型基于Qwen3.5-4B改造,采用记忆岩锚(RMA)机制将每条序列的KV Cache固定在72 MiB,不随上下文长度增长。
推荐理由:岩山科技联合港科大与CMU开源EdgeRock-4B,通过固定内存机制实现长推理显存不涨且吞吐提升6倍。
该研究在电子显微镜图像标注任务上评测了 VLMs,发现 LoRA 微调可让开源模型媲美专家模型,且跨物种迁移在识别合并错误时表现优异。项目将在接收后公开。
针对现有自动驾驶基准过度追求真实性而忽视多样性不足的问题,本文提出 Flow-ERD 多智能体仿真器。该方法通过代理类型感知的流匹配(AFM)在保持运动一致性的同时保留细粒度多样性,并利用熵正则化蒸馏(ERD)微调闭环采样分布以防止模式坍塌。
推荐理由:该工作提出兼顾真实与多样性的多智能体交通仿真方法,在 WOSAC 挑战赛中表现领先。
这篇论文是2026年10月发布的arXiv预印本,系统回顾了3D生成技术在具身智能和机器人仿真领域的应用。文章将3D生成的作用归纳为三类:作为数据生成器提供可交互的物理对象;构建支持任务执行的仿真环境;以及搭建数字孪生与合成演示以弥合仿真到现实的差距。研究指出该领域正从追求视觉逼真度转向关注交互就绪性,并列举了物理标注有限、几何质量与物理有效性存在差距等关键挑战。
Robin Young 和 Srinivasan Keshav 在 arXiv 上发布论文,分解并验证了两个广泛使用的地球嵌入产品(Earth embeddings)。
SceneBloom 结合视觉布局采样与合同引导的三维编译,在五种房型中实现了最高视觉质量、物理稳定性且零网格碰撞。其生成的场景分布更接近真实房间,训练出的物体导航策略在独立真实扫描中的成功率优于同等数量真实训练数据。代码已开源。
论文提出 Flownomaly 方法,将少样本工业异常检测建模为冻结 DINOv2 特征空间中的正态对应恢复任务。通过流匹配学习速度场,在直线路径上利用单次最优场评估即可得到干净正常 token 的后验均值,无需轨迹积分。
推荐理由:该工作将少样本工业异常检测重构为冻结特征空间中的正态对应恢复,在单步流匹配下实现无需轨迹积分的后验均值计算。
针对复杂高维生物搜索空间探索中物理执行受限于静态自动化和未建模物理变异的瓶颈,本文提出 VERID(Verified Infrastructure for Discovery Laboratories),这是一种持久化、高保真的实验室工作站语义数字孪生基础架构。
推荐理由:提出 VERID 语义数字孪生基础设施,通过仿真验证与错误恢复机制解决湿实验室自动化瓶颈。
该论文提出 CityLift 框架,旨在从单张图像生成具有连贯空间排列和详细纹理的建筑网格。方法通过耦合场景级空间建模与建筑级合成,先联合学习形状与布局生成稀疏结构,再利用生成式空间继承将局部体素映射到流模型以细化结构,确保生成的网格在公共坐标系中保持相对位置关系。
该研究提出 SemGeo-Gen 方法,旨在从仅具粗略类别级旋转对齐的弱对齐 3D 物体集合中自动生成具有语义意义且几何一致的近似跨实例对应关系。该方法将多视图 DINOv2 特征提升至 3D,利用连续分段仿射配准对齐物体实例,并通过语义一致性剪枝候选匹配。
推荐理由:该工作提出无监督生成近似跨实例语义几何对应关系的方法,利用弱对齐的3D物体集合替代昂贵的人工标注,为现代对应模型提供可扩展的训练监督信号。
该方法通过低秩更新调整 FLUX.2-klein 和 SD-Turbo 等蒸馏生成器的首步预测,使其输出更接近未引导基座模型的中间状态。在 ImageNet-1k 全规模下,ResNet-50 分类器 Top-1 准确率从 8.4% 提升至 34.2%,显著优于直接使用发布版学生模型生成的数据。该适配策略跨三个生成器家族有效提升了视觉模型训练效果,且固定适配器对细粒度数据集同样适用。
针对标准 L1-norm 惩罚项对大残差敏感的问题,该研究提出一种基于 L0-norm 近似的光滑有界函数以增强对小残差的敏感性。模型与基线均在 102 张图像上训练并在 9 张测试图评估,结果显示新模型均方误差降低 20.7%(0.02746 vs 0.03464),峰值信噪比提升至 15.80 dB。该工作表明修改循环一致性惩罚项能有效提升此类数据集的重建精度。
该研究引入 PCFBench,这是首个用于评估大视觉语言模型(VLM)在光子晶体光纤(PCF)逆设计任务中感知、推理与决策能力的综合基准。数据集包含超过 220K 个 FDTD 仿真样本,涵盖 18 种结构多样的光纤家族,并组织了从几何感知到代码生成的六类共 26 项任务。
推荐理由:PCFBench 建立了首个涵盖感知、推理与决策的光子逆设计基准,揭示了当前 VLM 在将视觉理解转化为物理设计动作时的显著差距。
论文介绍 Tempo-Zero,一种通过闭环可执行环境、执行验证的自博弈和环境演化来实现自我改进的视频推理框架。该方法让单一策略同时担任出题者和解题者,利用程序执行生成的真实时间戳证据替代噪声伪标签进行训练。尽管仅基于简单程序且无需监督微调或外部视频数据,Tempo-Zero 在十二个真实世界视频基准上平均优于基线模型和近期自博弈方法,尤其在时序定位任务上表现显著。
该论文提出了 UniWorld 框架,旨在解决连续视觉世界仿真中场景几何演化与持久化外观的耦合问题。该方法在共享视频生成模型中整合深度轨迹和参考外观,通过噪声对齐的重叠延续机制保持视觉历史,并利用滚动深度潜在状态保留几何控制。
推荐理由:UniWorld 框架在共享视频生成模型中耦合几何与外观历史,实现了实时连续视觉仿真。
论文介绍 DynaSlots,一种无需动作标签的预训练框架,将点云帧分解为时间一致的局部槽位并在该粒度建模动力学,而非传统的全局场景级压缩。该方法通过时序传播模块保持槽位一致性,利用逆动力学提取潜在动作,并结合扩散模型预测未来状态以学习邻近与运动关系。
RootDown 提出端到端图像流水线,利用 SAM 3 生成标注以解决甜菜根重叠遮挡难题。在 Raspberry Pi 5 搭配 Hailo 加速器的边缘设备上,该方法实现了高精度、低延迟且低功耗的推理性能。研究结果证明基础模型标签可大幅替代人工标注,为移动户外自动质检提供实用方案。
ACWM-RM 是一种联合评估视觉质量与动作跟随保真度的奖励模型,在 AVM-Eval 基准上优于 IDM 等基线且无需真实视频。该模型基于包含 506.3k 对的 AVM-Pref 数据集预训练,利用动作不匹配对监督动作跟随、视频不匹配对监督视觉质量并暴露生成视频伪影。下游强化学习实验表明其在两项指标上均表现更佳,揭示了 IDMs 在生成视频上的可靠性局限。
该研究提出一种利用合成数据训练并迁移至真实监控图像的文本化人员异常搜索框架,通过 Qwen3-VL-Embedding-8B、SigLIP2 及 Qwen3-VL-Reranker-8B 实现检索与重排序融合。系统在 AI City Challenge 2026 Track 4 测试中取得 94.7815% mAP 和 90.8493% R@1,位列公开排行榜第八名。
StateBridge 是一种仅使用合成数据训练的交通视频语言框架,通过相位感知剪辑和结构化提示将视觉语言模型锚定在稳定证据上。该框架在 AI City Challenge 2026 Track 2 中取得官方 S2 分数 55.4679,证明了结构证据转移在交通场景描述与问答中的有效性。论文为预印本状态,包含 25 页正文和 5 张图示,投稿于 ECCV 会议。
针对机器人学习仿真中场景构建繁琐的问题,该研究提出了 WorldMirror 框架,将实到仿真(real-to-sim)构建定义为可执行世界程序的迭代优化过程。通过智能体分解观测场景、规划重建步骤并编排图像与三维生成工具,结合相机位姿锚定的场景表示来诊断和修正错误,从而从野外机器人演示中生成视觉保真且几何一致的交互式数字孪生,同时保持记录轨迹的物理有效性。
推荐理由:提出将实到仿真构建视为可执行程序的迭代优化,利用智能体编排工具生成物理一致的数字孪生。
SyncVid 是一种无需修改架构的视频扩散模型适配方法,旨在从单目参考视频中生成多视角动态场景的一致视频。该方法将扩散过程同步到由源视频导出的规范三维空间进行高斯噪声采样,并将结构化噪声光栅化至目标相机视图;同时提出跨视图一致白化程序以消除渲染引入的局部相关性并保留对应关系。实验表明,SyncVid 在感知质量和跨视图一致性上优于现有方法。
针对视觉语言模型在动力学与物理因果关系上不可靠的问题,本文提出了 PhysEvolve 框架。该框架通过共享的 VLM 提出可执行的物理世界程序,利用确定性物理引擎冻结并模拟基线及反事实分支(如物体移除、目标坑洞),合成离散任务并通过精确验证反馈更新策略与课程。
推荐理由:该工作提出基于验证器的自进化框架,利用确定性物理引擎生成反事实数据以训练视觉语言模型进行因果推理。
本文介绍 SearchHorizonBench 基准,旨在让 AI 智能体学习何时进行额外搜索值得其成本。该资源包含 3,168 个问题对应的 45,632 次执行记录,通过成对续写和重复执行分离预期收益与生成噪声。
Generative Bionics 宣布计划在意大利建立首个占地 5000 平方米的专有“Physical AI Data Factory”,预计于 2027 年第四季度投入运营,旨在将人形机器人从实验室演示推进至可靠的工业部署。
该论文提出 V2-STRep 零样本框架,将生成视频的单一运动转化为可复用的机器人技能。方法利用视觉语言模型提供 2D 图像线索并结合 RGB-D 观测重构 3D 几何与抓取位姿,通过几何规则迁移运动并耦合轨迹优化以适配关节限制。实验在六个真实操作任务上验证了该方法相比基线提升了执行成功率,实现了技能的跨场景可靠转移及对变更部署指令的自适应。
Hybrid-PCGC 提出一种混合点云几何压缩方法,通过冻结通用模块与双可训练自适应模块分离先验建模与实例适配。该方法在无损和损有基准上比特率分别降低 13.96% 和 16.33%,并在高难度稠密点云上较最先进混合方法节省最多 12.33% 的比特率,有效平衡了保真度与传输开销。
论文 MeSS 针对现有扩散模型在三维场景生成中难以保证跨视角视觉一致性的问题,提出利用城市网格作为几何先验进行合成。方法包含三个关键阶段:首先使用级联外绘 ControlNet 生成长期一致的稀疏视图;其次通过 AGInpaint 模块传播更密集的中间视图;最后利用 GCAlign 模块全局消除曝光差异等视觉不一致性。
针对轨道拥挤背景下大型非合作载荷的运输需求,该研究提出一种由精确梯度驱动的去中心化双层优化框架。方法将问题分解为内层凸推力分配与外层有效载荷扭矩轨迹搜索,在无需全量非线性规划收敛的情况下快速获得燃料高效解。理论收敛性已确立,且通过包含闭环故障恢复的大规模蒙特卡洛仿真验证了其在航天器群应用中的适用性。
针对单图 3D 生成在真实世界图像上因光照不均、模糊和遮挡导致效果下降的问题,该研究提出 Gate3DGen 模型。该模型作为预处理模块接入现有 3D 生成器而无需重训,通过退化感知路由跳过清洁输入并提取特征引导净化,利用合成数据引擎构建配对监督以优化空间损失从而保留物体身份与纹理线索。
GigaBench 是首个专注于在消费级硬件上部署可学习表示(LRs)以处理吉像素图像的基准,涵盖隐式、混合及显式方法。该研究通过重建质量、模型大小、压缩率及推理时间等维度的系统评估,揭示了跨方法的稳定趋势并提供了未来研究方向指引。项目页面已上线,相关论文已被 WACV2027 接收。
该论文提出了 UniVOE 框架,旨在统一训练视频对象移除和注入模型。方法首先利用视频修复先验训练一个感知效果的移除器,将含物视频转换为无物版本以构建大规模配对监督数据;随后在反向方向上训练注入模型以恢复物体及其动态与交互效果;最后引入基于奖励的后训练方法对齐人类偏好。实验表明该框架在对象移除和注入任务上均达到最先进水平,尤其在处理复杂的交互效应方面表现突出。
推荐理由:提出以移除驱动的统一框架,利用视频修复先验解决注入任务的大规模配对监督难题,在交互效应场景下达到开源与商业系统领先水平。
论文提出了 WorldForge V2 方法,旨在解决视频扩散模型在空间任务中相机控制不精确及时空不一致的问题。该方法采用无需训练的引导框架,利用 warped references 迭代优化生成过程,并通过光流分析分离运动控制与外观特征。
推荐理由:提出无需训练的引导框架与轨迹 LoRA,在视频扩散模型中实现精确相机控制并保留生成能力。
该工作利用 PI-CAI、FastMRI Prostate 和 PROSTATEx 数据集训练了五种配置,验证了通过解剖掩码生成完整前列腺双参数 MRI 的可行性。联合合成在保持分布保真度的同时生成了全模态图像,且直接合成的 ADC 和高 b 值 DWI 优于从合成扩散加权图像推导的结果。研究展示了该框架缓解深度学习应用中大样本代表性数据集稀缺问题的潜力。