跳到正文
10月16日周五
  1. arXiv · 机器人与计算机视觉78

    互补未来 Token 剪枝用于世界动作模型

    针对预训练的世界动作模型(WAMs)在处理密集未来帧 Token 时产生的高推理延迟问题,本文提出了 CF-Prune 这一无需训练的剪枝框架。该方法利用指令与动作注意力机制识别任务相关 Token,并通过基于熵的相位识别机制保留高精度计算阶段以缓解性能下降。

    推荐理由:提出无需训练的剪枝框架,在保持任务成功率的同时显著降低推理延迟。

  2. arXiv · 机器人与计算机视觉85

    SAM3RL:基于强化学习的视觉目标跟踪记忆控制

    该论文提出了 SAM3RL,一种针对 Segment Anything Model 3 的扩展,通过强化学习训练轻量级控制器来优化视频对象分割中的记忆管理策略。

    推荐理由:提出用强化学习训练轻量级控制器优化 SAM3/SAM2 的记忆管理,在多项基准上超越手工规则且无运行时开销。

  3. arXiv · 机器人与计算机视觉78

    PolyMorph:面向跨形态适应的腿部机器人运动策略学习

    论文提出 PolyMorph 框架,将机器人 URDF 转换为关节连杆模块,结合循环编码器、基于图的 Transformer 和每关节解码器,生成适用于不同腿数和关节配置的单一运动策略。

    推荐理由:PolyMorph 框架通过形态归一化奖励与图 Transformer,实现单策略跨双足、三足及四足机器人的通用迁移。

  4. 量子位31

    2026 全球开发者先锋大会暨国际具身智能技能大赛十大亮点盘点

    2026 全球开发者先锋大会将于 10 月 23 日至 25 日在上海浦东举办,聚焦“真机实景、实景实训”目标。大会将千台机器人同台亮相并拆解为可复用技能包,覆盖上下料搬运等十余种真实场景。超万台机器人已入驻张江人工智能创新小镇,赛事将科学评估作业成功率与效率提升率,推动具身智能向万台级落地迈进。

  5. arXiv · 机器人与计算机视觉78

    RDCompGS:面向图像编解码器的 3D 高斯泼溅压缩率失真优化方法

    针对 3D 高斯泼溅(3DGS)在存储与传输上的资源消耗问题,本文提出 RDCompGS 方法,通过将可微分编码率估计纳入率失真优化过程,解决传统优化忽视不同表示间编码差异的局限。

    推荐理由:提出 RDCompGS 方法,将可微分编码率估计引入 3DGS 优化,在 H.265/HEVC 和 JPEG XL 下分别实现 37.84% 与 49.31% 的码率降低。

  6. arXiv · 机器人与计算机视觉72

    IMU-Bench:腕部 IMU 在运动学、语义与临床任务中的表征基准

    论文提出了 IMU-Bench 基准,包含来自八个数据集的十个任务,用于评估腕部惯性测量单元在多任务性能及跨任务迁移方面的表现。研究对比了六种基于无标签记录或模拟腕部动作预训练的自监督方法,发现掩码自编码器 InrtlWrist 在冻结探针测试中于九个任务上达到最优或并列最优效果,微调也在十个任务中的九项优于从头训练。

  7. Hugging Face Daily Papers83

    VITAL:从视觉运动到精确动作

    论文提出 VITAL(Vision-Induced Tokens for Action Learning),旨在将视觉预期转化为驾驶决策。该方法通过耦合视觉导出的运动骨架与紧凑残差编码,使视觉运动成为主要预测目标,同时为轨迹误差提供独立的归一化学习尺度。

    推荐理由:该工作提出 VITAL 方法,将视觉运动作为动作预测主目标并引入残差编码,在 NAVSIM v1/v2 测试集上实现接近多步推理的精度与速度。

  8. Hugging Face Daily Papers78

    StreamErase:面向超快流式视频擦除的研究

    该论文针对现有视频物体移除方法延迟高且无法实时交互的问题,提出了 StreamErase 模型。该方法在文本到视频模型基础上引入掩码输入,并通过滑动窗口因果注意力与 KV 缓存滚动技术,将强大双向基础模型的擦除能力迁移至高效单向流式生成器,实现了单 GPU 下低于秒级延迟、最高 26 FPS 的实时流式生成及任意长视频处理。

    推荐理由:提出 StreamErase 方法,通过滑动窗口因果注意力实现视频对象擦除的实时流式生成与无限时长扩展。

10月14日周三
  1. Hugging Face Daily Papers58

    Evaluating Agentic Capabilities Before Post-Training: An End-to-End Approach

    论文介绍 ASAP 框架,旨在解决大语言模型在预训练阶段难以评估智能体能力的难题。该方法保留模型的补全接口,通过结构化轨迹延续、简短参考前缀和最小恢复机制来激发基座模型的交互行为,无需将其转化为对话式智能体。研究在软件工程与深度研究基准上验证了 ASAP 能区分不同基座模型及预训练检查点的端到端性能,并暴露生成的执行轨迹以分析探索、编辑、测试、恢复等能力变化,为理解预训练后的模型行为提供诊断视角。

  2. Hugging Face Daily Papers82

    Pack Light, CarryOn:构建面向长周期智能体的面向对象上下文

    论文介绍 CarryOn,一种将长周期任务上下文组织为可复用对象的运行时机制,避免依赖压缩的历史记录。该方法通过维护载体记录、结合环境检查更新基础信息并保留未受影响记录,在 OSWorld 2.0 和 BrowseComp-Plus 基准上分别提升性能 5.8% 和 7.0%,同时降低 Token 使用量 51.9% 和 22.9%。材料为预印本论文,提供 GitHub 项目页面链接。

    推荐理由:提出 CarryOn 对象化上下文运行时,在 OSWorld 和 BrowseComp-Plus 上提升性能并显著降低 Token 消耗。

10月13日周二
  1. Hugging Face Daily Papers78

    基于信念更新与世界模型的长程智能体失败恢复方法

    针对长程智能体难以从早期错误中恢复的问题,本文提出了 BELIEFWEAVER 框架。该方法通过维护前沿、尝试、观测和检查点的关系信念状态,利用执行证据更新优先级并控制执行,同时使用隐式世界模型评估修复假设以指导探索。研究进一步通过监督微调与在线策略蒸馏,将推理组件压缩至 9B 学生模型,在三个终端基准测试中相比原生基线显著提升了最终得分,并将教师模型 API 调用成本降低了 54.8%。

    推荐理由:该工作提出结合信念更新与世界模型的长程恢复框架,并通过蒸馏将推理成本降低一半以上。

  2. Hugging Face Daily Papers48

    Scaling Online Optimal Transport Minibatches for Flow Matching 提出可扩展的在线熵正则最优传输近似,在单细胞基因插值与图像流训练中验证了更大耦合规模能提升稳定性与生成性能。

    针对流匹配训练中源样本配对随机性导致的不稳定问题,该方法通过在线熵正则最优传输近似实现了更大的源 - 目标耦合规模,同时保持计算可行性。理论证明证实相比独立配对,全随机梯度方差与积分误差均严格降低,且随耦合 minibatch 增大而增强。单细胞基因插值流和图像流训练实验验证了该方案能一致提升训练稳定性及最终生成效果。

  3. Hugging Face Daily Papers72

    H-DDCM:基于哈达玛码本的快速生成式图像与视频压缩方法

    该研究提出 H-DDCM 框架,利用无训练扩散模型进行数据压缩。通过引入隐式随机化哈达玛字典替代传统高斯码本,将投影与重建的计算复杂度降至 O(d log d),显存占用降至 O(d)。同时采用无需查找表的词典编码方案以支持大维度组合编码。该方法还适配自回归视频流模型,实现单卡近实时长视频压缩,在图像和视频基准测试中展现出具有竞争力的率失真感知性能。

10月12日周一
  1. arXiv · 机器人与计算机视觉35

    Mixture-Greedy 策略在多样性感知生成模型选择中优于 UCB 方法

    针对多生成模型采样成本高昂问题,Mixture-Greedy 策略无需显式 UCB 探索项即可实现更快收敛与更优性能。该研究在 FID、Vendi 等指标上验证了无 UCB 方法的优越性,并证明多样性目标本身可诱导内在探索机制。论文已获 UAI 2026 会议接收,代码与权重开放许可情况待原文补充。

  2. arXiv · 机器人与计算机视觉70

    物体概念源于运动:一种无需标注的物体中心视觉表征框架

    本文介绍了一种受生物启发的框架,利用运动边界作为物体级分组信号,通过现成光流和聚类生成伪实例掩码,监督单图像编码器学习像素级成对度量特征。该方法无需人工标注或相机标定,基于 7,163 小时驾驶与网络视频数据构建了 1.95 亿帧伪标签数据集,并通过运动验证自训练扩展至 4.21 亿帧。

  3. arXiv · 机器人与计算机视觉83

    Chronos Policy:在物理时间上学习机器人策略

    针对现有机器人策略将物理时间隐含于序列位置的问题,本文提出 Chronos Policy,通过在扩散 Transformer 中显式利用观测捕获时间和动作执行时间来增强鲁棒性。

    推荐理由:提出显式利用物理时间条件的机器人策略方法,通过时间感知 RoPE 提升动态任务鲁棒性。

  4. arXiv · 机器人与计算机视觉53

    Make It Flow:在静态3D高斯泼溅场景中实现水流动画

    论文提出一种方法,可在不依赖动态采集或物理仿真的情况下,为静态3D高斯泼溅(3DGS)场景注入水流等高频动态效果。该方法从参考图像或模型渲染中估计2D光流并将其提升为一致的3D欧拉运动场,利用类 cinemagraph 算法变形高斯基元以生成无缝循环动画。

  5. arXiv · 机器人与计算机视觉45

    Measurable Semantic 3D Gaussian Splatting 框架实现交互式建筑检测

    该研究提出一种结合区域与深度监督的可度量语义 3DGS 框架,通过 AEC-SplatTwin 平台支持实时可视化、语义分析及量化测量。在 QuakeCity 和 HKUPB 数据集上,该方法将高斯中心深度平均绝对误差分别降低 58.1% 和 86.8%,并实现 0.8529 至 0.8642 的 mIoU 语义分割精度。

  6. arXiv · 机器人与计算机视觉78

    LeapBot-JAC:面向世界动作模型的联合动作链方法

    论文提出 LeapBot-JAC 方法,旨在解决固定动作令牌预算下的执行组织问题。该方法在共享动作专家内分配稀疏的未来控制引用和密集的当前执行目标,利用定向注意力机制让执行令牌读取受可见性约束的参考令牌。

    推荐理由:提出 LeapBot-JAC,在固定动作令牌预算下通过联合动作链组织稀疏参考与密集执行,提升 LIBERO 任务成功率。

  7. arXiv · 机器人与计算机视觉49

    SAMF 框架利用结构感知匹配提升无人机热成像卫星定位鲁棒性

    SAMF 框架通过方向结构增强与模态感知仿射重映射模块,解决跨模态差异以在 GNSS 拒止条件下实现无人机自主导航。基于 Boson-nighttime 和 Thermal-UAV-Paired 数据集的实验表明该方法达到最先进水平,代码与数据已开源。消融研究验证了各模块的有效性与协同互补性。

  8. arXiv · 机器人与计算机视觉78

    LeWAM:基于 JEPAs 的端到端世界与动作建模

    论文提出 LeWAM,这是一种端到端的联合嵌入预测架构(JEPA),旨在无需像素重建的情况下学习紧凑的潜在世界模型以支持直接控制执行和高效规划。该方法通过联合训练下一个潜在状态预测与动作流匹配,并施加各向同性高斯约束,使单一模型能同时支持策略执行与采样动作评估。

    推荐理由:LeWAM 通过联合嵌入预测架构实现了端到端控制,在接触丰富任务上成功率提升至 89.7%,规划速度提升 32.3 倍。

10月10日周六
  1. 智东西 · 机器人70

    东土科技与逐际动力联合发布全国首个搭载国产电子架构的人形机器人

    2026年9月28日,东土科技与逐际动力联合发布全国首个搭载国产电子架构的人形机器人,实现国产工业级实时通信能力在人形机器人复杂系统中的首次贯通。该方案基于逐际动力的全尺寸人形机器人Oli(身高165cm、31个自由度)及自研大脑系统COSA进行整机适配验证,旨在解决底层操作系统、通信总线和AI计算芯片等关键环节的自主可控问题,推动国产电子架构从“适配场景”走向“定义标准”。

  2. Hugging Face Daily Papers83

    ProgAgent:通过程序化训练学习工具编排

    论文介绍 ProgAgent,这是一个完整的程序化工具调用(PTC)训练栈,包含可验证长程任务合成流水线、轻量级 PTC 运行时和两阶段训练配方。

    推荐理由:该工作提出 ProgAgent,通过程序化工具调用训练栈解决长程任务中的上下文污染问题,在 LOCA-bench 等基准上显著优于基线。

  3. Hugging Face Daily Papers78

    Evolving to Match Capabilities:通过技能适配提升 Harness 自进化能力

    Harness 自进化的效果取决于模型能否遵循其引导,但研究发现强模型的有益技能对弱模型可能有害甚至降低性能。为此,作者提出技能适配方法,利用外部重写器诊断工具执行、上下文管理等失败原因并蒸馏为固定元技能,在不依赖执行证据的情况下将通用技能改写以匹配执行者能力。实验显示该方法在七种不同能力的执行器上均提升了自进化循环的最终得分,为开发更有效的 Harness 自进化提供了设计指导。

    推荐理由:原文发现通用技能对弱模型有害,提出通过元技能诊断失败并适配技能以匹配执行者能力的方法。

10月9日周五
  1. Hugging Face Daily Papers65

    MARGIN:多智能体基础模型协调的运行时置信度校准

    针对异构基础模型在动态工作负载下自报置信度含义不一致的问题,本文提出了 MARGIN 方法。该方法通过追踪近期准确率与陈述置信度的比值来修正报告置信度,无需重训模型或预留校准集。评估涵盖代码生成、问答和数学任务,结果显示在存在正确性反馈的多智能体协作中,MARGIN 能显著改善候选答案的排序并提升选择准确率。

  2. 量子位86

    星动纪元自研世界动作模型VPP2登顶RoboDojo榜单并开源

    星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单综合平均成功率32.26%、得分39.26分两项指标均居第一,泛化与精细操作能力领先。该模型采用视频预测与动作学习分阶段训练策略,未依赖额外数据或外挂增强手段。代码已开源,项目主页提供复现入口。

    推荐理由:星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单登顶,并开源代码与项目主页。

  3. arXiv · 机器人与计算机视觉72

    IndustrialVLA-Bench:开放机器人策略模型的轨迹追踪多轴评估

    arXiv 预印本发布 IndustrialVLA-Bench,旨在解决 VLA 与 WAM 模型因评估协议不同导致的能力对比不清问题。该基准对六款已发布的系统进行了统一报告,分别在 LIBERO、LIBERO-Plus 和 LIBERO-Para 上评估了清洁能力、非语言鲁棒性及指令敏感性,并记录了推理延迟、显存峰值及运行模式。

  4. arXiv · 机器人与计算机视觉78

    Seeker:基于动作监督的学习注意力区域以优化策略训练

    论文提出 Seeker 方法,解决现有 ROI 接口依赖外部标签或固定裁剪导致视觉证据错位的问题。该方法从冻结的 DINOv3 特征出发,通过迭代更新查询向量,仅凭动作监督生成任务与状态感知的感兴趣区域(ROIs)。

    推荐理由:提出 Seeker 方法,利用动作监督学习任务感知的注意力区域,在仿真与真实机器人上均提升了数据效率与鲁棒性。

  5. arXiv · 机器人与计算机视觉78

    Memento 3:基于反思规则书的模型驱动递归自我改进

    论文介绍 Memento 3,使冻结的大语言智能体能通过外部自然语言规则书持续学习显式世界模型并编译为可执行代码。系统通过观察、反思、修订规则、编译和验证的循环,利用预测误差在保持底层大模型固定的前提下实现递归自我改进。

    推荐理由:该工作提出通过外部记忆和规则书实现冻结大模型的递归自我改进,在 ARC-AGI-3 上达到人类效率基准。

  6. arXiv · 机器人与计算机视觉70

    WorldBench:评估 LLM 在 Three.js 体素世界生成能力的新基准

    针对大语言模型生成的交互式 3D 世界自动评测不可靠的问题,本文提出 WorldBench 基准与裁判器。该工具通过控制时钟、环绕观察并派遣智能体遍历每个生物群落,同时交叉验证代码内容与像素测量结果,解决了单一视角或仅读源码导致的误判问题。研究在五个前沿模型上进行了评估,相关测试代码、提示词及裁判配置已开源。