跳到正文
10月2日周五
  1. Hugging Face Daily Papers78

    CUAWright:面向数字代理的最小统一接口

    CUAWright 是一种仅约 3K 行代码的极简终端接口工具,利用 bash 命令作为唯一操作界面,文件系统作为动态演化空间以构建工具和上下文管理。实验显示,相比 GPT-5.5 基线及 GUI 原生接口,该方案在 OSWorld 2.0、Online-Mind2Web、Odysseys 等基准任务中显著提升成功率并降低估算成本,同时在 CAD 应用中也展现出更强的视觉理解与交互能力。

    推荐理由:CUAWright 提出最小化终端接口方案,在数字任务与 CAD 应用中显著优于 GUI 及混合接口。

  2. Hugging Face Daily Papers82

    通过递归自重写扩展复杂任务的轨迹:一种通用 harness 下的能力提升方法

    该论文提出 Recursive Self-Rewrite (RSR) 框架,旨在解决专用 harness 干预在部署时不可用的问题。该方法利用单一基座模型 Qwen-3.8-27B,通过规划器、评论器和执行器组件,在不同 harness 下发现成功解法并将其重构为通用 harness 下的训练轨迹。

    推荐理由:RSR 框架利用单一基座模型在多种仿真环境中发现并重构解决方案,显著提升了终端任务的成功率与泛化能力。

  3. NVIDIA Technical Blog12

    英伟达开源 Do Inference Now Deploy:基于 C++ 与 TensorRT RTX 的本地 AI 应用加速样本集

    英伟达发布开源项目 Do Inference Now Deploy,提供实用 C++ 样本以连接模型检查点与原生推理。该工具结合 ONNX Runtime 和 NVIDIA TensorRT RTX 执行提供者,旨在解决本地应用中模型格式便携性与跨系统加速需求。开发者可直接利用此代码库将 AI 模型部署至目标系统并实现即时推理。

10月1日周四
  1. Hugging Face Daily Papers70

    Omni-Embed-Mini:通过稠密蒸馏实现多模态绑定且不遗忘文本

    论文 Omni-Embed-Mini 提出一种 0.9B 参数模型,能在不更新任何文本侧参数的情况下将文本、语音、音频、图像、视频及富视觉文档映射到共享空间。其核心思路是利用冻结骨干网络对稠密级联标题的嵌入作为教师信号,配合轻量投影器和 LoRA 适配器完成对齐。

  2. Hugging Face Daily Papers42

    EditHero:首个长周期部件级 3D 编辑与世界建模基准评测

    EditHero 是首个针对长序列、部件级 3D 编辑及自然语言指令的基准,由确定性装配引擎生成目标并人工审核。对比显示非智能体方法常遗漏修改或扰动区域,而 LLM/VLM 智能体虽更精准但单次编辑耗时数分钟。项目页面与代码已公开,支持可靠迭代 3D 编辑研究。

  3. Hugging Face Daily Papers49

    IGMWorld 与 IGMBench:游戏模组化世界编辑基准发布

    IGMWorld 通过工业级游戏模组化技术,在 Minecraft 和 Terraria 中构建包含 110 项任务的基准 IGMBench。最强配置在严格任务标准下解决率达 78.2%,行为级表现达 94.8%。随着干预深度增加可靠性下降,视觉一致性通过率低于 50%,证明世界编辑是区别于生成与交互的独立能力。

  4. Hugging Face Daily Papers84

    GUI-HARVEST:基于证据驱动的 GUI 代理自我改进与 Harness 演化

    论文介绍 GUI-HARVEST,一种自动优化 GUI 模型执行环境的框架,旨在解决意图对齐、失败诊断与模式复用三大挑战。该方法将模型输出与前后截图对齐以定位界面转换差异,利用重复任务运行构建联合证据单元,并将验证后的发现转化为有界的源代码编辑。

    推荐理由:该预印本提出 GUI-HARVEST 框架,通过证据驱动的 harness 演化实现冻结骨干模型的自改进,在多个基准上验证了通用性与性能增益。

  5. NVIDIA Technical Blog12

    NVIDIA NeMo Relay 追踪智能体 Harness 行为以优化效率与延迟

    NVIDIA NeMo Relay 旨在解决智能体完成任务时路径低效、重复搜索及文件读取截断导致额外延迟的问题。该技术通过显式追踪智能体内部步骤,将隐藏的低效操作可视化,从而减少失败概率并降低 Token 消耗。此方案适用于需要优化 Agent 行为透明度的场景,直接提升系统响应速度与可靠性。

9月30日周三
  1. 智东西 · 机器人62

    上海通用具身智能企业苏度科技完成超10亿元融资

    上海通用具身智能企业苏度科技宣布完成新一轮超10亿元融资,由上海国投先导、孚腾资本等联合领投,估值突破20亿美元。该公司致力于构建跨任务泛化的通用物理智能底座,其自研的机器人系统#Sudo R1采用3D世界模型与强化学习一体化设计,宣称在不使用真机数据前提下可实现接近100%的Zero-shot成功率,并具备双手操作、柔性体处理等十余项技能。

9月29日周二
  1. Hugging Face Daily Papers85

    MotorMind:为通用视觉语言模型搭建零样本机器人操作框架

    论文介绍 MotorMind,这是一个连接通用视觉语言模型(VLM)与确定性机器人控制的中间层动作表示及异步执行框架。该方案无需任务特定策略训练、代码智能体或 SAM3 等定位工具,在 LIBERO-PRO 基准上实现 66.7% 成功率(扰动下为 53.8%,优于此前零样本方法的最高 13.3%),并在真实 xArm6 机器人上达到 95% 平均成功率。

    推荐理由:该工作提出 MotorMind 框架,证明通用 VLM 无需额外训练或工具即可实现零样本机器人操作,显著优于现有方法。

9月28日周一
  1. World Labs · Research & Insights81

    World Labs 宣布正式加入 AMD

    World Labs 与 AMD 达成最终协议,将于 2026 年底前完成合并(受监管审批等条件约束)。Fei-Fei Li 将出任 AMD 执行副总裁兼首席科学家,Justin Johnson 和 Ben Mildenhall 将继续领导 World Labs 团队。双方计划整合软件、硬件及基础模型资源,构建涵盖硬件、软件、平台及开放模型的端到端 AI 生态系统。

    推荐理由:World Labs 签署加入 AMD 的协议,Fei-Fei Li 将任 AMD 执行副总裁兼首席科学家,双方计划整合软硬件栈构建端到端开放 AI 生态。

  2. 智东西 · 机器人84

    香港大学MMLAB发布PhysicalRSI 1.0具身智能系统基线

    香港大学MMLAB团队发布了PhysicalRSI 1.0(物理递归自进化)系统,旨在解决通用大模型在精密操作与多步任务中的控制难题。该系统通过System 2规划反思与System 1执行反馈的协同机制,实现Harness(工作程序)的自我改写与迭代。

    推荐理由:港大团队提出自进化基线PhysicalRSI 1.0,在RoboDojo评测中成功率与分数均领先GPT-6 Astra等竞品。

9月26日周六
9月25日周五
  1. Hugging Face Daily Papers72

    SatNav:基于卫星影像的城市级无人机长程视觉语言导航基准

    SatNav 是一个可扩展的无人机视觉语言导航(VLN)基准,利用高分辨率卫星影像替代昂贵的三维重建资产来构建城市级导航任务。该基准包含来自 18 个城市的 59 个场景共 11.8 万集数据,平均轨迹长度达 379 米,并定义了边界、地标和路线三类任务以测试长程记忆与地理推理能力。

  2. Hugging Face Daily Papers82

    JumpStart:基于 16 万次训练经验加速离线策略学习

    该研究通过 160,000 个策略在 114 个数据集上的大规模实验发现,离线强化学习与模仿学习中不存在单一主导算法,且超参数调优与基准组合显著影响结论。作者开发了数据集条件推荐器以提供任务特定建议,并开源了包含所有训练策略、评分、超参数及代码的 JumpStart 资源库,旨在提升研究可靠性。

    推荐理由:大规模离线策略学习研究显示无单一最优算法,提供数据集条件推荐器与完整资源库。

9月24日周四
  1. 智东西 · 机器人72

    高通宣布收购机器人软件公司PickNik

    高通宣布已与机器人软件企业PickNik达成收购协议,交易条款暂未披露。PickNik长期主导MoveIt开源框架及MoveIt Pro商业平台的开发,涵盖运动规划、操作及VLA策略执行等功能。收购完成后,高通计划让MoveIt继续保持开源并由社区推动发展,同时将相关技术与Dragonwing机器人平台集成,利用其AI与异构计算能力简化开发流程并缩短部署周期。

9月23日周三
  1. Open Robotics · 官方新闻42

    Open Robotics 宣布 Red Hat Enterprise Linux 成为 ROS Tier 1 支持平台,Fedora Linux 升级为 Tier 3

    Open Robotics 宣布 Red Hat Enterprise Linux (RHEL) 正式成为机器人操作系统 (ROS) 的 Tier 1 支持平台,享受最高级别持续集成与错误修复保障。同时 Fedora Linux 被提升为 Tier 3 支持平台,通过构建农场优化以提升易用性。此举旨在为开发者提供在成熟可靠平台上部署机器人系统的更多选择。

  2. 地平线 · 资讯动态78

    地平线发布机器人指令理解与操作评测基准 InstructMove

    地平线联合无问智科发布机器人指令理解与操作评测基准InstructMove,旨在解决机器人仅凭视觉捷径完成任务而忽视语言指令的问题。该基准基于Text-Indispensable原则,在场景中设置多个可操作候选目标,强制模型依赖语言消歧。

    推荐理由:地平线发布InstructMove基准,通过多候选目标场景验证语言对动作选择的必要性,并证明仿真数据能提升真机指令跟随能力。

9月21日周一
  1. 上海人工智能实验室 · 科研动态82

    上海AI实验室发布书生-S2:长程科研能力比肩顶尖闭源模型

    上海人工智能实验室于2026年9月13日发布书生多模态大模型S2(书生-S2),重点提升长程科研与智能体能力。该模型通过Memory Decoder引入可插拔专业记忆,在不修改主参数下持续扩展领域知识;在IMO-Proof等数学基准上领先开源并达到Gemini 3.1 Pro水平。

    推荐理由:上海AI实验室发布书生-S2,通过Memory Decoder实现专业知识持续扩展,在数学与科学任务上达到顶尖闭源水平。

9月19日周六
  1. OpenCV Blog28

    OpenCV 增强 Windows on Snapdragon 原生计算机视觉开发支持

    OpenCV 宣布与高通合作,为基于骁龙 X 系列处理器的 Windows 设备优化原生构建、测试基础设施及性能。项目将提供针对该平台的原生二进制文件并解决关键依赖,旨在建立可持续的发布流程。技术更新将通过既定评审过程逐步验证,成果将在里程碑完成时向社区共享。

9月18日周五
  1. 地平线 · 资讯动态62

    地瓜机器人完成4亿美元C轮融资,强化具身智能基础设施布局

    地瓜机器人宣布完成4亿美元C轮融资,由未来资产领投、美团战投及多家政府平台与一线机构联合跟投。本轮融资旨在强化旭日芯片全算力段产品布局,建设贯通数据采集、模型训练、仿真验证、推理部署的全链路软件平台,以软硬一体的具身智能基础设施满足从成熟品类到通用人形机器人的全场景开发需求。

    推荐理由:地瓜机器人完成4亿美元C轮融资,强化旭日芯片布局与全链路软件平台建设,加速具身智能基础设施规模化落地。

9月17日周四
  1. Figure · News82

    Figure 发布 Helix 2.5:基于 Index 预训练实现零样本跨 30 户家庭全身体自主

    Figure 推出 Helix 2.5,这是其构建的最先进神经网络,旨在解决机器人进入从未见过的家庭即可立即工作的难题。该模型在 Figure 的 Index 全球人类行为数据集上进行预训练,无需在评估环境中收集数据或微调,即可在 30 户未见的湾区家庭中完成整理房间、叠毛巾和铺床三项长周期任务。

    推荐理由:Figure 推出 Helix 2.5,基于 Index 数据集实现零样本跨 30 户家庭的全身体自主能力。

9月16日周三
  1. NVIDIA Technical Blog12

    NVIDIA Nemotron 3.5 Lightning 对比 Dense 与 MoE 架构:激活参数、吞吐量及选型指南

    NVIDIA Nemotron 3.5 Lightning 采用混合专家(MoE)架构,在 30B 总参数量下每 token 仅激活 3B 参数以兼顾容量。文章对比了 Dense 与 MoE 两种主流模型架构的主动参数组织方式及性能特征。内容重点解析了不同场景下选择 Dense 或 MoE 模型的依据,涵盖吞吐量分析与选型建议。

9月13日周日
9月12日周六
  1. OpenCV Blog4

    IBM Research 彭远李与彼得·斯塔尔在 OpenCV Live 探讨 Granite Vision 与 Docling 的文档智能工作流

    IBM Research 彭远李与彼得·斯塔尔在 OpenCV Live 225 聚焦从模型到工作流的转变,演示 Granite Vision 轻量级开源视觉语言模型如何配合 Docling 处理企业文档理解任务。该环节延续彭远李八月介绍 Granite Vision 的讨论,重点展示两者结合构建文档智能流程的具体实践路径。

9月11日周五
  1. 智元 AGIBOT · Newsroom87

    智元发布原生世界动作模型 GE-Act 2.0,验证可扩展预训练路径

    智元发布原生世界动作模型 GE-Act 2.0,提供首个关于原生世界动作模型可扩展预训练路径的系统性验证。该模型从随机初始化开始训练所有参数,在零样本评估中展现了随数据规模扩大(300 至 30,000 小时)而涌现的新能力与跨机器人本体的迁移效果。材料介绍了其控制导向自编码器、单步视觉规划及知识对齐选择性优化等架构设计,并指出其与 GE-Sim 共同构成世界模型框架。

    推荐理由:智元发布原生世界动作模型 GE-Act 2.0,验证了训练数据规模扩大带来的能力涌现与跨本体迁移路径。

  2. NVIDIA Blog · Physical AI82

    Skild AI 推出 S1 机器人基础模型:单视频演示即可让机器人学会新任务

    Skild AI 发布 S1 机器人基础模型,利用上下文学习技术从单个视频演示中理解并执行此前未见的新任务,无需更新权重或进行特定后训练。该模型在植物种植等长程多步操作中成功率提升七倍,仅需 11 分钟即可从录制演示过渡到硬件自主执行。

    推荐理由:Skild AI 推出 S1 机器人基础模型,支持单视频演示学习新任务,无需重新训练即可执行长达 10 分钟的复杂操作。

  3. NVIDIA Blog · Physical AI68

    NVIDIA 发布全栈开放平台助力全球 Robotaxi 领导者构建物理 AI 系统

    NVIDIA 推出面向 Robotaxi 的全栈开放平台,整合了 DGX 训练计算机、Omniverse/Cosmos 仿真验证计算机及 Hyperion 车端计算架构。

    推荐理由:NVIDIA 推出全栈开放平台,提供 Alpamayo VLA 推理模型、Cosmos 世界基础模型及 Omniverse 仿真工具链,支持从训练到车端部署的闭环开发。

9月10日周四
9月9日周三
9月7日周一
9月5日周六
  1. NVIDIA Technical Blog26

    构建基于 NVIDIA NemoClaw 的记忆驱动智能体

    NVIDIA 团队利用 NemoClaw 构建了记忆驱动的“首席幕僚”智能体,通过维护名为"self model"的可读知识层来解决企业工作流中上下文随时间变化的问题。该方案使无需初始上下文的 AI 智能体在贡献前能重构包含消息、决策及义务的历史背景,从而适应动态变化的企业任务环境。

9月4日周五
  1. NVIDIA Technical Blog12

    NVIDIA 技术博客探讨如何在联邦 Kubernetes 与 AI 平台间携带用户身份

    现代 AI 平台不再局限于单一登录界面,用户需在中央门户、受管数据集及跨集群服务间无缝流转。传统单点登录机制难以应对跨越控制平面与数据平面的每一步身份验证需求。NVIDIA 技术博客指出,解决这一挑战的关键在于实现身份在分布式环境中的持续携带与安全传递。

9月2日周三
8月29日周六