跳到正文
10月26日周一
  1. arXiv · 机器人与计算机视觉78

    WorldMirror:基于野外机器人演示的交互式世界代理式实到仿真生成

    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。

  2. arXiv · 机器人与计算机视觉59

    SyncVid:基于世界等变扩散的同步视频生成

    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。

  3. arXiv · 机器人与计算机视觉85

    See What I Need, Dream What I Want:一种基于自构建表示空间的导航基础模型

    论文提出了 RepresentNav 导航基础模型,该模型构建了由策略自身目标驱动的视觉表示空间。通过 Representation Residuals 模块整合多模态视觉编码器特征,实现端到端训练的策略与潜在思维链联合嵌入预测架构(JEPA)。

    推荐理由:提出基于自构建表示空间的导航基础模型,在多个基准上刷新纪录并将成果迁移至实体机器人。

  4. 盖世汽车 · 汽车资讯62

    上汽荣威家越07上市并搭载Momenta R7世界模型

    上汽荣威家越07于10月23日上市,预售订单突破5万台。该车全系标配图达通高性能激光雷达,并搭载Momenta R7世界模型,支持无图全域城市领航与高速领航辅助功能。系统能精准识别道路参与者、推演运动轨迹并对突发风险预警,可应对人车混行及复杂路口等场景。图达通此前已与上汽集团深度合作,正推动高阶智驾能力向更多主流车型下沉。

  5. 盖世汽车 · 汽车资讯72

    奔驰全新纯电GLC完成车位到车位辅助驾驶首秀

    10月20日,梅赛德斯-奔驰在上海完成全新纯电GLC的“车位到车位”辅助驾驶首秀,该系统基于Momenta R7世界模型开发,使用超1.68亿段数据训练。功能涵盖自动泊出、导航行驶及自动泊入全流程,支持地下、地面停车场和立体停车楼,可应对跨楼层上下坡及闸机识别。

  6. 盖世汽车 · 汽车资讯87

    无界动力发布并开源MWA™-Phoenix隐空间世界模型基座

    无界动力正式发布并开源MWA™-Phoenix端侧7B参数完整预训练模型,该模型在LIBERO-Plus、LIBERO-Pro等六项评测中取得领先成绩,验证了其在环境扰动与复杂操作方面的能力。

    推荐理由:无界动力发布端侧7B隐空间世界模型及仿真工具,在多项评测中验证了仅凭RGB输入完成复杂操作与真机执行的能力。

  7. Hugging Face Daily Papers63

    Harness-Model 协作用于长程持续学习

    针对长程智能体面临的知识复用与快速适应矛盾,本文提出 HaMo 框架,通过蒸馏轨迹为策略级经验卡片实现即时检索,并利用经验条件化的持续学习目标训练模型跨语境执行策略。实验表明该方法在域内和跨域偏移下均优于单一 Harness 或单一模型适应方案,有效提升了知识保留与新任务适应能力。

  8. Hugging Face Daily Papers82

    跨模态 Steering 向量在图像与文本生成中均存在

    该研究探讨了当前 AI 模型中概念与机制是否在不同模态间统一实现的问题。通过寻找能成功引导一种模态(如文本)生成的向量,并验证其能否零样本迁移到另一种模态(如图像),研究发现跨模态 Steering 在双向上均有效。

    推荐理由:该预印本通过跨模态 Steering 向量实验,证实了统一多模态模型中语言与图像生成的概念机制存在零样本迁移。

  9. Hugging Face Daily Papers74

    Rollback:通过世界模型回溯实现策略改进的范式

    Rollback 将世界模型从单向模拟器转变为反事实引擎,支持回溯至关键决策点并分支探索替代动作,从而在不依赖独立学习价值模型的情况下生成细粒度监督信号。该方法构建了分布式世界模型搜索与异步真实机器人执行的统一训练系统,利用真实过渡数据通过轻量级 LoRA 管道修正动力学(测试时物理 grounding)。

  10. Hugging Face Daily Papers78

    PhysEvolve:基于验证器的可执行世界因果推理自进化框架

    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。

10月25日周日
  1. Hugging Face Daily Papers78

    Δτ-Bench:推动智能体向动态能力边界演进

    本文介绍了 Δτ-Bench 基准,用于评估大型工具生态系统结构演化下智能体的适应能力。该基准包含 1,588 个多轮任务,覆盖 42 个领域及六个连续生态状态。评测显示最强模型成功率仅为 42.3%,且现有技能学习方法无法随生态演变持续优化。研究据此提出了 Steward 系统,通过增量维护与动态配置实现更高成功率与更低开销。

    推荐理由:该基准评测了智能体在工具生态演变下的适应力,揭示了现有技能学习方法难以持续迁移的瓶颈。

  2. Hugging Face Daily Papers38

    InteractiveWorld:首个可验证的人机闭环交互环境,揭示前沿 MLLM 在物理世界辅助任务中表现不足

    InteractiveWorld 是首个支持人机闭环交互的可验证环境,让 AI 助手指导人类代理独立行动并基于状态奖励评分。构建的 InteractiveBench 包含六类共 120 个多轮任务,实验显示即便最强的 Claude Fable 5.1 在长程引导与规划任务上成功率也仅分别达 20% 和 25%,表明当前 MLLM 尚无法可靠辅助人类完成物理工作。

10月24日周六
  1. 量子位42

    2026物理AI与世界模型大会在南京开幕,发布50个典型应用场景及高质量数据集行动计划

    2026年10月23日,以“建模物理世界・智启美好未来”为主题的2026物理AI与世界模型大会在南京正式启幕。大会由江苏省数据集团、南京大数据集团和中国人工智能学会共同主办,发布了50个典型应用场景及九项创新成果。现场还成立了国家数据标注先行先试苏皖城市联盟,并发布总规模50亿元的物理AI与世界模型投资基金。

  2. 量子位75

    达瓦科技发布实时世界模型Scenes AI,单卡运行34B大模型并获NVIDIA大奖

    达瓦科技发布实时世界模型产品Scenes AI,在2026 NVIDIA创业企业展示中拿下「半程展示卓越企业奖」。该模型不预测下一帧画面,而是维护包含场景、物理、光照等变量的持续运行世界状态,仅更新发生变化的局部(如天气、画风),其余状态保持锁定。

  3. 量子位28

    特赞提出企业需构建“主观世界模型”与“企业世界模型”,并发布 Agentic Transformation 共建计划

    特赞在 WTCC 论坛提出,企业智能体架构需同时具备理解客户偏好的“主观世界模型”和理解内部流程的“企业世界模型”。特赞已采集万条量级专家判断路径构建训练数据,其主观世界模型在行为模拟上准确率达 85%。公司同步发布 Agentic Transformation 共建计划,推动高校与企业协作将组织判断转化为可积累资产。

10月23日周五
  1. 智元 AGIBOT · Newsroom87

    智元开源 AGIBOT WORLD Release 4:面向物理推理的数据集

    智元宣布开源 AGIBOT WORLD 2026 的第四版发布内容“物理推理”数据集,将任务设计重心从操作难度转向决策复杂度。该数据集覆盖具身智能五大研究方向,包含超 10 类逻辑推理场景,记录同一目标在不同状态与约束下的决策与执行过程。通过连接高层指令、子任务分段、动作步骤及空间标注,支持决策模型与底层策略的协同训练,旨在帮助机器人从孤立操作迈向自主完成复杂现实任务。

    推荐理由:智元开源 AGIBOT WORLD Release 4,提供涵盖多状态约束的物理推理数据集与细粒度标注,支持决策 - 执行联合训练。

  2. 量子位16

    百度世界 2026 前瞻:10+ 分论坛解码 AI 时代智能组织进化路径

    百度将于 11 月 12 日举办百度世界 2026,设置 10+ 场分论坛聚焦“智能组织”议题。议程涵盖岗位边界重构、具身智能商业落地及 RSI 等前沿技术,旨在推动企业从工具升级转向系统性组织重构。大会还将发布“芯云模体”全栈 AI 进展并提供多种票型供报名。

  3. arXiv · 机器人与计算机视觉82

    UniMem:为 VLA 统一视觉与文本记忆以应对非马尔可夫任务

    针对现有 VLA 模型在处理需记忆的长程任务时面临的瓶颈,本文提出 UniMem 框架,在单一骨干网络下统一高层视觉/文本记忆与低层控制。该方法利用事件分类器触发更新、关键帧编码器构建密集记忆并采用缓存技术降低开销。

    推荐理由:UniMem 框架统一视觉与文本记忆,在仿真和硬件任务中显著优于固定间隔采样及分层 VLM-VLA 基线。

  4. arXiv · 机器人与计算机视觉85

    无人类演示的跨城市自动驾驶策略学习:NOMAD 方法

    论文针对自动驾驶在新城市部署成本高、需大量人类演示数据的瓶颈,提出 NOMAD(No data Map-based self-play for Autonomous Driving)方法。

    推荐理由:提出 NOMAD 方法,利用自博弈强化学习仅凭地图信息实现跨城市策略迁移,无需目标城市的人类演示数据。

  5. arXiv · 机器人与计算机视觉35

    Decentralized Bi-Level Optimization for Cooperative Orbital Transportation of a Rigid Payload 提出去中心化双层优化框架

    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。

  6. arXiv · 机器人与计算机视觉43

    PhysTrace:可解释的时间序列物理一致性评估框架

    PhysTrace 是一个无需训练的框架,通过对齐多模态大模型生成的历史条件期望与观测视频窗口,在 IntPhys2-Timing 基准上实现最高 70.7% 的物理原则命中率。该方法揭示了预训练扩散/流模型重建视频中属性与时空噪声依赖的违规模式,为跨时间步的可解释物理一致性分析提供了新工具。

  7. arXiv · 机器人与计算机视觉75

    Inside-JEPA:从预测到潜在世界模型中的关系定位

    Hossein Resani 和 Javen Qinfeng Shi 提出 Inside-JEPA,一种在 JEPA 潜在状态中嵌入有序实体对关系通道的架构。研究通过逆动力学损失在无标签条件下 grounding 这些通道,并在 Something-Something V2、RH20T 机器人集以及使用现成检测跟踪的五个关系上验证了性能提升。

  8. arXiv · 机器人与计算机视觉83

    Sensorimotor Alignment:具身策略成功的柏拉图代理

    针对机器人基础模型评估成本高的问题,本文提出 Sensorimotor Alignment(S^2),一种无需训练的离线指标,用于衡量模型感官表征与物理运动几何结构的对齐程度。研究发现 S^2 与下游机器人任务成功率呈正相关,可作为低成本代理优先筛选模型或识别有潜力的视觉语言模型骨干网络。该工作将柏拉图表示假设扩展至具身智能领域,为理解模型成功原因提供表征层面的解释。

    推荐理由:提出无需训练的离线指标 S^2,通过感知表征与物理运动几何的对齐程度预测机器人任务成功率。

  9. arXiv · 机器人与计算机视觉80

    WorldForge V2:激发视频扩散模型中的相机 - 轨迹对齐

    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。

  10. arXiv · 机器人与计算机视觉58

    DiffDreamer:耦合世界模型与可微分仿真的敏捷四旋翼控制

    论文提出了 DiffDreamer 框架,旨在解决四旋翼动态门竞速等任务中外部运动预测与高频控制的挑战。该方法将学习到的世界模型(捕捉外部动力学和历史特征)与可微分仿真器(传播机器人显式物理状态)紧密耦合,并将演员目标分解为基于评论家的非可微任务奖励路径和基于仿真的可微运动奖励路径。

  11. arXiv · 机器人与计算机视觉78

    基于全身运动引导的不确定性感知顺从性辅助参考生成方法

    该论文针对外骨骼在复杂交互中难以可靠提供辅助的问题,提出一种结合多模态轨迹生成与可变导纳控制的双环策略。系统利用全身人类运动和外骨骼本体感知数据,通过去噪过程合成未来轨迹,并将任务描述作为语义线索。

    推荐理由:该预印本提出结合全身运动与本体感知的双环辅助策略,通过轨迹方差量化不确定性以调节刚度,实验显示能降低肌肉激活与代谢能耗。

  12. arXiv · 机器人与计算机视觉72

    PiHand:面向物理策略学习的潜在手物交互先验框架

    论文介绍 PiHand 框架,通过训练专家策略蒸馏出统一的手物交互先验,并在潜在空间进行有界残差探索以解决灵巧操作任务。该方法在 GRAB 和 DexYCB 数据集上实现了跨物体与轨迹的泛化,并能迁移至抓取和双手交接等未见过的任务,且各项指标均优于基线。作者将发布处理后的数据与模型检查点。

  13. arXiv · 机器人与计算机视觉53

    未见区域中的多专家扩散规划器:是路由还是自适应?

    该论文研究了在未见地图中扩散轨迹规划器的适应性问题,对比了共享适配器与领域特定专家适配器的不同配置。实验显示,在三个真实世界保留地图上,八种测试时路由方案均无法超越静态默认策略(即每场景使用同一专家),即使拥有选择最佳专家的预言机也仅能减少 0.9 米的平均横向偏移。

  14. arXiv · 机器人与计算机视觉38

    Revisiting Distribution Matching for State-to-Vision Policy Distillation in Laparoscopic Robotic Manipulation 提出框架

    针对腹腔镜手术中纯强化学习训练视觉策略困难且模仿学习需大量专家演示的挑战,该工作提出一种状态到视觉的策略蒸馏框架。在仿真环境中进行的广泛实验表明,该方法仅需较少专家演示即可从拥有特权观测的状态策略中学习,相比通用强化学习方法能实现更一致稳定的跨任务性能。

  15. arXiv · 机器人与计算机视觉72

    UniFlowWAM:融合视觉语义与 4D 几何的统一世界 - 动作模型

    该论文提出 UniFlowWAM,一种将三维场景流作为独立模态的扩散 Transformer 架构,统一处理视觉语义与 4D 几何信息。模型在 RoboCasa-GR1、LIBERO 及 LIBERO-Plus 等仿真基准上提升成功率,并在真实双臂操作任务中达到 87.0% 平均成功率,优于最强基线。材料为预印本论文,未提及开源代码或具体部署许可。

  16. arXiv · 机器人与计算机视觉58

    LAST-V2X:面向 V2X 安全应用的通信诱导故障语言驱动自适应场景合成与测试

    该论文提出 LAST-V2X 框架,利用大语言模型将自然语言测试描述转化为基于道路几何、V2X 通信语义和车辆行为的可执行场景。框架集成物理交通仿真与空间感知通信建模,通过消息级故障注入评估信息退化对车辆决策的影响,并采用匹配执行区分通信诱导故障与非相关安全违规。实验在多种 CARLA 环境中进行,展示了该框架生成可靠场景、提升故障发现能力以及通过自适应细化优化测试配置的效果。

  17. arXiv · 机器人与计算机视觉80

    DRILL:通过改进策略而非预测像素来训练世界模型

    论文指出当前世界模型多用于预测下一帧像素,但这并非强化学习中想象回放的唯一目的;作者提出 DRILL 框架,利用下游回报信号更新世界模型。实验显示该方法在五个操作仿真器和两个 VLA 骨干上均能提升策略成功率,且能与 RLVR 预训练互补而非竞争。

    推荐理由:提出 DRILL 框架,证明以策略效用为目标的世界模型训练优于单纯像素预测,在多个仿真器与 VLA 骨干上提升成功率。