跳到正文
11月3日周二
  1. Hugging Face Daily Papers78

    Harness-S:通过兄弟 Harness 学习实现可泛化智能体训练

    论文提出 Harness-S 方法,针对智能体训练中基座执行系统(harness)的局部性、互补性和非平稳性问题,引入方向性 Harness 演化构建可复用的兄弟 Harness 池。

    推荐理由:提出 Harness-S 框架,利用辅助 harness 修复基座执行失败并将能力迁移至策略,在 AppWorld 等基准显著优于纯策略训练。

  2. NVIDIA Technical Blog43

    英伟达发布 Cosmos 平台以构建物理 AI 交互式仿真世界模型

    NVIDIA Cosmos 是专为物理 AI 开发者打造的包含世界基础模型与开发工具的平台,旨在解决模型适配传感器、任务及数据并可靠落地应用的两大挑战。该平台提供智能体技能与世界模型训练的配方(recipes),帮助开发者将通用模型高效转化为特定场景的交互式仿真解决方案。

11月2日周一
  1. arXiv · 机器人与计算机视觉82

    SV-WAM:一种高效的环视世界 - 动作端到端自动驾驶模型

    该论文提出 SV-WAM,旨在解决现有世界模型因生成未来视频导致推理开销大、常被迫仅用单前向摄像头的局限。方法利用未来视频预测作为训练监督而非推理输出,通过动作中心因果掩码防止动作 token 关注未来视频 token,使部署时可丢弃视频分支实现高效规划;同时引入可微驾驶区域合规正则器以增强安全与边界感知。

    推荐理由:SV-WAM 利用未来视频预测作为训练监督而非推理输出,结合因果掩码与可微合规正则器,在保持六路摄像头输入的同时实现低延迟规划。

  2. arXiv · 机器人与计算机视觉83

    Adaptive-WAM:一种基于视频扩散中间特征的自适应早退规划方法

    论文介绍 Adaptive-WAM,这是一种构建于 Wan2.2-5B 骨干网络上的质量感知多出口规划器。该方法将轨迹扩散头附加到选定的 DiT 块上,利用轻量级评分器在满足质量阈值时终止推理,从而避免完整的迭代去噪和 VAE 解码过程。

    推荐理由:该工作提出基于中间层特征的质量感知早退规划器,在 NAVSIM 上取得最佳结果并实现低延迟推理。

  3. arXiv · 机器人与计算机视觉66

    视频基础模型如何编码直觉物理:跨预训练范式的探测研究

    该论文探究视频基础模型是否在冻结表征中编码了可用的直觉物理信息,以及这种能力是否自然涌现于大规模视频预训练中。研究利用 IntPhys2 和 MVP 基准,对比了预测联合嵌入(V-JEPA)、掩码重建(VideoMAE)和扩散生成(LTX-Video)三类模型在冻结特征上的表现。

  4. arXiv · 机器人与计算机视觉20

    NeurIPS 2026 位置论文:下一代游戏引擎应基于交互式生成视频构建

    该位置论文主张以交互式生成视频(IGV)作为感知与世界生成的核心,构建由设计师控制的新一代生成式游戏引擎(GGE)。文章通过六个功能模块的进展分析,提出了从 L0 到 L4 的五级成熟度路线图。此外,研究还探讨了九种替代观点及伦理考量,旨在推动社区关于该架构变革的讨论。

  5. arXiv · 机器人与计算机视觉70

    GeoFlip:面向几何敏感物理的视频生成基准评测

    GeoFlip是一个针对视频生成模型的基准测试框架,旨在评估模型对初始几何变化产生正确物理演化的能力。该基准包含482组场景配对和964个参考视频,覆盖六种物理类别,通过程序化构建、物理仿真及数值验证确立参考结果。评测结果显示,在共享条件下16种图像到视频生成模型的平均事件正确率仅为27.98%,暴露出当前模型在几何条件约束下物理一致性方面的显著局限。

  6. arXiv · 机器人与计算机视觉48

    具身记忆综述:当过去塑造行动——理解具身智能中的记忆机制

    该综述考察了具身记忆作为保留决策相关信息的关键机制,涵盖世界状态持久性、任务进度等六大需求及循环状态等八类架构。文章分析了现有基准在评估依赖历史信息的真实行为方面的局限性,并指出了选择相关经验与维持信念一致性等开放挑战。

  7. arXiv · 机器人与计算机视觉78

    Attention Maps Know When to Think:无需训练的困难感知思维链用于推理分割

    针对多模态大模型在复杂视觉任务中因过度思考导致性能下降的问题,本文提出 Difficulty-Aware Chain-of-Thought (DA-CoT) 框架。该方法利用注意力图熵值作为内在难度信号,自适应决定是否触发思维链提示;同时引入双向反思机制以从过思考和欠思考导致的错误中恢复。实验表明,该训练免费的方法在推理分割基准上达到最先进性能并显著提升推理效率。

  8. arXiv · 机器人与计算机视觉78

    DrawSplat:一种基于亚特兰大世界引导的隐式高斯 SLAM 框架用于室内重建

    该论文提出 DrawSplat 框架,旨在解决现有高斯 SLAM 在室内弱纹理、大面积平面及噪声深度场景下易出现位姿漂移和几何伪影的问题。方法采用类似绘画的流程:先通过点线联合跟踪构建显式结构布局,再利用亚特兰大世界(Atlanta World)的先验推断重力方向并生成可微正则项填充隐式神经高斯以获取高保真外观与连续几何细节。

    推荐理由:该工作提出基于 Atlanta World 先验的隐式高斯 SLAM,通过点线联合跟踪与结构采样解决室内弱纹理场景下的位姿漂移与几何重建问题。

  9. arXiv · 机器人与计算机视觉45

    PEPS:执行前解析——基于可执行原语的时空推理高效范式

    PEPS 提出一种无需训练的代理范式,通过“先解析后执行”原则在 Frame、Entity、State 和 Metric 架构下提升 VLM 的时空推理效率。实验表明该方法相比强工具集成基线显著提高了准确率,同时大幅减少了优化轮次、API 调用成本及端到端延迟。该研究已发布预印本 arXiv:2610.41389,代码与权重暂未提及开放许可。

  10. arXiv · 机器人与计算机视觉82

    Hourglass:耦合无本体世界模型与可微本体重心动力学的跨具身运动规划

    该论文提出 Hourglass 架构以解决跨具身运动规划难题,通过解耦通用的无本体世界模型与各机器人的可微本体动力学接口,实现数据池化与参数识别。在七种仿真机器人上,该方法成功率提升 3.8-10.6 个百分点且无需专用训练即可匹配专家策略;经三分钟遥操作标定后,零样本迁移至未见的真实滑移转向机器人并在室内场景导航成功。材料为 arXiv 预印本,未提及同行评审状态或具体开源代码仓库。

    推荐理由:提出 Hourglass 架构,通过解耦通用世界模型与可微本体动力学实现跨机器人运动规划,在仿真中优于基线并支持零样本迁移至真实机器人。

  11. arXiv · 机器人与计算机视觉78

    GenDSR:从视频生成模型转移表征以进行动态空间推理

    GenDSR 是一个框架,它将视频生成模型(VGM)的中间表征转移给视觉语言模型(VLM),用于解决 VLM 在保持场景状态的同时追踪空间关系演变的挑战。该框架构建了两个互补分支:一个保留整体生成上下文的原始分支和一个强调时间变化的增量分支,并通过任务条件化的逐 token 门控融合信号并注入原生视觉表征。

    推荐理由:该工作提出将视频生成模型的中间表征迁移至视觉语言模型,在动态空间推理基准上取得新最优结果。

  12. arXiv · 机器人与计算机视觉58

    精选世界模型数据提升空中检测:Dreams Are Cheaper Than Flights

    针对机器人感知依赖昂贵且难以采集的真实现场数据的痛点,该研究利用 70 亿参数世界模型生成合成视频以扩展训练集。实验显示,在无人机上预训练的模型中,加入精选的合成帧使 mAP@50--95 提升 4.3%,完全替代真实数据时提升 10.3%,在城市基准测试中最高可达 33.5%。

  13. arXiv · 机器人与计算机视觉60

    UFMF:雷达引导的运动学先验用于实时 4D 占用预测

    论文 UFMF 提出一种实时 4D 占用预测器,通过无注意力对角状态空间核心结合雷达引导的速度感知动态先验(VADP),在保持低延迟的同时提升长时域对快速移动目标的预测精度。该方法在 nuScenes 数据集上达到 0.45 mIoU,单 RTX 4090 运行帧率达 122 FPS,显著优于近期占用世界模型且计算成本更低。

  14. arXiv · 机器人与计算机视觉78

    让激光雷达决定看向何处:用于高效稀疏潜在世界模型的几何测量 Token 选择

    针对以视觉为中心的自动驾驶模型冗余编码天空、建筑等无关内容的痛点,提出 Geometry-Aware Token Selection (GATS) 方法。该方法利用 LiDAR 和雷达点投影在视觉骨干网络运行前筛选关键图像区域,使端到端计算量最高降低 18 倍。

    推荐理由:提出基于 LiDAR 几何的 Token 选择方法,在大幅降低计算量的同时提升规划相关场景的预测精度与安全性。

  15. arXiv · 机器人与计算机视觉68

    DyCraft:一种用于长周期 4D 场景生成的代理系统

    论文介绍 DyCraft 系统,通过分步策略解决通用编码代理在长周期动画中易产生物理违例的问题。系统将提示词扩展为详细计划以构建静态场景,再创建关键动作帧的 3D 故事板,将复杂时空约束分解为可独立调试的起止状态对。实验覆盖人形机器人、人物及机械装置等 24 个长周期多镜头任务,结果显示 DyCraft 相比原生 GPT-6 代理及基线显著减少物理违例并提升生成质量。

11月1日周日
  1. 量子位87

    清华姚期智团队发布代数世界模型:让AI像牛顿一样思考

    清华大学姚期智和袁洋团队提出「代数世界模型」(AWM),利用范畴论中的投射极限与归纳极限工具,将大模型的试错探索转化为形式化数学证明。在ARC-AGI-3游戏集测试中,基于Opus 5.5的AWM以99.9%得分和43%人类基准动作数全部通关,并能准确判断无解关卡。论文由本科生潘冠成、谭淇心撰写,项目主页与arXiv预印本已公开。

    推荐理由:清华团队提出代数世界模型,利用范畴论工具将试错探索转化为形式化证明,在ARC-AGI-3测试集实现99.9%通关率。

  2. Hugging Face Daily Papers75

    Is Your Long-Horizon Benchmark Really Deep? Measuring and Synthesizing Depth in Terminal Tasks

    该论文指出长视界终端任务评估中,现有方法用回合数衡量长度、LLM 标签衡量难度存在偏差。作者提出以工作量和深度(必须顺序执行的回合数)定义任务,审计发现合成数据多为增加工作量而非深度。提出的 DEPTH 基准包含 105 个高深度任务,现有六款模型均无法通过半数,但微调 Qwen3-8B 后在两个终端基准上表现提升。

10月31日周六
  1. 智东西 · 机器人80

    大晓机器人联合南洋理工大学发布世界模型 Mundo

    大晓机器人联合南洋理工大学S-Lab发布面向具体环境的世界模型Mundo,具备场景重建、自由视角探索和时空模拟能力。该模型仅需1至12张真实图像即可构建可编辑的三维代理场景,并通过代码定义物体质量与摩擦等物理属性,利用MuJoCo引擎计算运动与碰撞,最终由视频扩散模型渲染出符合物理规律的动态画面。

    推荐理由:大晓机器人联合南洋理工大学发布Mundo,支持少量图像构建含物理属性的可交互三维环境,为机器人Real-to-Sim训练提供新工具。

  2. IEEE Spectrum · Robotics31

    Video Friday 展示多足机器人 ANYmal X、双足机器人 Spot 及微型四足 Lite3 等全身操作与移动演示

    IEEE Spectrum Robotics 周刊视频集锦展示了包括 ANYmal X、Spot、Lite3 在内的多款机器人的全身操作能力。内容涵盖 ETH 苏黎世联邦理工学院的接触中心学习框架、Pollen Robotics 的轮式机器人 Racey Mini 以及 DEEPRobotics 在广西景区的双机协作等真实场景演示。

  3. 智东西 · 机器人62

    前Meta首席工程负责人胡鲁辉创立的杭州具身公司智澄AI获数亿元融资

    杭州具身智能公司智澄AI于10月30日宣布完成由杭州资本、富浙科技等联合投资的数亿元融资。该公司成立于2024年,自称是国内首家自研世界模型的企业,专注于物理智能,推出了XR1工业机器人和TR6人形机器人,并开源了基于JEPA架构的澄灵物理世界模型0.1。目前XR1已进入蔚来汽车工厂产线及大众汽车场景测试,并与国家电网合作开发安防巡检机器人。

10月30日周五
  1. arXiv · 机器人与计算机视觉33

    DiTSG:基于多智能体扩散 Transformer 的空域交通场景生成

    DiTSG 提出一种利用堆叠多智能体逆 Transformer 层作为去噪骨干的扩散模型,从记录的多机轨迹中联合生成空域交通场景并条件化于各智能体的到达时间要求。实验表明该模型生成的多样化场景既复现了记录流量的统计特性,又保留了真实空中交通管制中观测到的逼真机间交互模式。

  2. arXiv · 机器人与计算机视觉58

    WNM-3D:一种用于闭环视觉语言导航的带 3D 场景条件的世界导航模型

    该论文提出 WNM-3D,这是一个用于连续视觉语言导航(VLN)任务的生成式世界导航模型。它利用冻结的前馈几何编码器从单目 RGB 历史中提取跨视图表示,并通过可训练的 3D 场景到 Token 适配器将其转换为固定长度的场景前缀,供世界动作扩散 Transformer 使用。

  3. arXiv · 机器人与计算机视觉54

    Turbo4DGen:面向 4D 生成的超快加速框架

    Turbo4DGen 是一个针对基于扩散的多视角 4D 内容生成提出的超快加速框架,旨在解决长链一致性带来的计算与内存开销问题。该框架引入时空缓存机制以跨去噪步骤复用中间注意力,并结合动态语义感知注意力剪枝及自适应 SCM 链旁路调度器,大幅减少冗余的 SCM 注意力计算。

  4. arXiv · 机器人与计算机视觉38

    SLVR 模型通过语义增强潜空间推理提升视觉任务鲁棒性

    SLVR 提出两阶段学习框架,利用细粒度属性监督构建约 400K 区域级标注与 800K 问答样本的 SLV-Set 数据集。该方法引入 Multi-query Group Relative Policy Optimization (M-GRPO) 对齐多查询潜表示,并在 SV-QA 基准上验证了相比现有基线更优的鲁棒性与语义一致性。