特斯拉 CEO 马斯克透露即将前往中国,特斯拉宣布向德国柏林超级工厂投资约 30 亿欧元扩大 Cybercab 产能
特斯拉 CEO 埃隆·马斯克称将出席当地时间 11 月 18 日的峰会,并透露自己即将前往中国。与此同时,特斯拉宣布向德国柏林超级工厂投资约 30 亿欧元(约合 220.01 亿元人民币),新建厂房生产 Cybercab,目标最高年产 100 万辆。目前该车型售价 29990 美元,首批预计于 2026 年 12 月在美国奥斯汀交付。
特斯拉 CEO 埃隆·马斯克称将出席当地时间 11 月 18 日的峰会,并透露自己即将前往中国。与此同时,特斯拉宣布向德国柏林超级工厂投资约 30 亿欧元(约合 220.01 亿元人民币),新建厂房生产 Cybercab,目标最高年产 100 万辆。目前该车型售价 29990 美元,首批预计于 2026 年 12 月在美国奥斯汀交付。
海康机器人在 CeMAT 展会发布明智系列单体智能机器人,将感知、决策与执行集成于本体,实现最快 30 分钟投产。该产品面向汽车、锂电等行业的局部工序搬运,约九成场景无需额外工程介入即可直接上线使用。此前该系列已在汽配零部件车间等中小制造企业开展试点,部分客户在单点验证后主动扩大应用范围。
该研究介绍了 Sage S1.5 Flash 模型,这是一个拥有 3200 亿参数的通用多模态专家混合模型(MoE),旨在进行科学证据推理并在交互式环境中行动。
奥比中光与 ThinkRobotics 在班加罗尔科技峰会首次全面展示其机器人免数据收集硬件平台,整合 EGO、WristCam、UMI 及 Hub 设备。该平台提供 1080p 以上高分辨率采集与小于 1ms 的多设备同步精度,满足印度市场对轻量化穿戴设计及多模态数据的需求。
文章探讨了人形机器人“大小脑”(感知决策与运动控制)计算平台的架构选择趋势。中科慧灵等厂商坚持采用AMD双处理器实现物理隔离,以保障实时性、资源独立与安全降级;而维他动力、星尘智能及优必选则推动单SoC算控融合方案,旨在缩短数据路径、减少硬件冗余并降低开发复杂度。
该研究通过仅替换首模型排名精英集为环境排名精英集的固定状态干预,使 Walker/Cheetah 任务中选定序列的实现追踪成本在所有 12 个种子单元均降低。跨 32 项任务的 52 个冻结 TD-MPC2 检查点对比显示,在改进显著的 10 个检查点上平均收益为 67.8 分(95% CI [31.9, 103.6]),其余 42 个仅提升 0.2 分。
DEEP 基准通过 KITTI 和 nuScenes 数据集评估感知计算对下游决策的实际增益,发现 34%–54% 的感知模式升级反而增加损失。研究指出仅凭漏检率提升选择信号会导致平均测试决策增益降低 7.4%,且引入 20% 延迟预算后仅轻量级路由器优于随机策略。该工作强调应以预算受限的决策预言机为基准,而非将全精度推理视为上限。
该论文提出 Chameleon 框架,将量化格式本身作为离散变量,按权重通道和激活层动态从 INT8、FP8 等集合中选择,而非固定单一格式。在 SDXL、PixArt-$\alpha$ 等模型上,该方法在所有位宽设置下均取得最佳 FID,推理速度较 FP16 提升 1.09 倍且权重体积缩小 3 倍。材料为预印本,未提及同行评审状态或开源代码仓库。
推荐理由:提出 Chameleon 框架,通过动态选择激活与权重的混合格式在固定位宽下实现最佳 FID 与推理速度提升。
针对多步环境交互中单点错误导致状态改变且经验丢失的问题,提出 Rollback-Induced Reflection (RIR) 框架。该方法将可靠恢复定义为联合决定干预时机、恢复位置及保留信息的边界控制问题,在回滚至选定先验状态的同时,蒸馏废弃轨迹中的可复用知识以指导后续决策。实验表明,该结构化反思记忆与选择性回滚机制能提升多个 LLM 骨干网络在长程基准任务上的平均性能。
MindTopo 是一个基于认知科学与形式拓扑学的基准,涵盖连续性、分离性、序关系、封闭性与纽结五种属性,包含 3900 个核心实例和 11035 个扩展实例。
Vladimir Iglovikov 发布基准,实测八种图像输入流水线向 NVIDIA L4 交付同步 CUDA float16 批次的速率。在共享的 34 个配方中,DALI 以 19.7 batches/s 的中位速度领先 AlbumentationsX(17.1),且峰值显存占用为 1,872 MiB 对比 AX 的 404 MiB。
针对文档视觉问答(DocVQA)中固定检索数量导致延迟高或精度低的问题,作者提出 ViSAR 方法。该方法在嵌入空间构建查询感知的页面相似度矩阵,动态确定需检索的页面数,无需额外训练且能显著降低端到端延迟。
基于洛杉矶大都会区 9,085 张街景图像,研究发现对预训练 CLIP 进行编码器适配可将区域判别准确率从冻结编码器的 39.03% 提升至 75.94%-82.10%,并将预测中心均方距离由 12.30 km 降至 3.86 km。
该研究开发了一种针对加州戴维斯市的光学 GeoAI 工作流,利用 2022 年国家农业影像计划数据生成树冠候选并映射了 7.71 平方公里的树冠覆盖。分析显示像素召回率为 87.3%,与 USDA/CAL FIRE 激光雷达辅助产品的交并比为 0.719。
本文针对传统偏好学习中教师作为被动预言家的局限,提出利用二阶心理理论(ToM-2)让学习者主动生成理解陈述来修正教师的知识模型。研究在仿真环境中对比了不同教学策略,发现当存在多教师交替导致的模型漂移时,ToM-2 方法能有效减少漂移并恢复学习效率优势。该工作包含人类受试者实验,结果显示 ToM-2 陈述能提升学习者的最终对齐度。
该研究提出参数依赖线性矩阵不等式(LMI)框架,解决受乘性车轮滑移影响的非完整移动机器人轨迹跟踪问题。在 Kanayama 坐标下,该方法在半全局球域(σ_bar = 0.10)内实现指数衰减与 H-无穷范数增益优化,并在±50% 滑移比工况下较固定增益基线保持稳健性。论文包含 23 页、18 幅图及 50 个参考文献,预印本已上传 arXiv。
针对现有压缩图像复原方法难以同时满足像素保真、人类感知和机器偏好之间的矛盾,论文提出 FDIR 框架。该框架分两阶段工作:首先利用质量引导的单步流模型生成结构先验,随后通过流条件细节细化网络预测残差以保留纹理细节并忠实于原图。在 LIVE1 和 DIV2K 数据集的严重压缩设置下,FDIR 在所有指标中均取得最佳或次优排名,且在下游检测、分割等任务中表现优异。
arXiv 论文介绍了一种名为 ODEWorld 的新方法,利用物理时间流(PT-Flow)构建基于常微分方程的连续潜在世界模型。该方法在压缩的潜在空间内将未来预测重构为 ODE 求解器的时间积分,有效解决了表示坍塌问题,支持任意时序分辨率、回溯预测及丰富的规划导向信息。实验表明其在视频生成和机器人控制任务中表现优异。
推荐理由:该工作提出基于 ODE 的连续时间世界模型,解决了离散模型的表示坍塌问题并支持任意时序分辨率与回溯预测。
该研究提出了一种针对未知洋流下欠驱动非最小相位水下滑翔机的三维轨迹跟踪观测器辅助控制架构。RE MUS 仿真在三种轨迹和四种洋流场景下,将有效顺航扰动降低 89-96%,平移残差减少约 99%,均方根跟踪误差从 4.04 m 降至 0.24 m。论文包含 31 页及 15 幅图,已上传至 arXiv 并收录于 Ocean Engineering 期刊。
Vertigo Vertigo 项目利用大视频扩散模型,仅基于原片 2.78% 的关键帧锚点完成首尾插值,成功重构了希区柯克《迷魂记》。计算评估显示 73.1% 的生成帧可被识别为合理版本,仅 3.6% 出现灾难性失败,证明了经典电影规范已深度压缩在模型潜在先验中。
研究对 CelebA 数据集及预测模型进行多维审计,发现女性感知面孔虽整体获高吸引力标注更多,但衰老与男性化特征组合对其吸引力的负面关联显著强于男性。SHAP 分析显示体型属性对女性为负贡献而对男性近乎中性,Grad-CAM 揭示年轻女性关注面部中心而年长男性聚焦额头,证实了视觉评估中的性别双重标准。
论文提出 LatentRouter 方法,将多模态大语言模型(MLLM)的路由问题建模为反事实多模态效用预测。该方法提取学习到的路由胶囊并代表候选模型能力,通过潜在通信估计各模型在选定时的表现,结合分布结果头与有界胶囊修正进行决策。
$\Delta$LPS 是一种利用梯度信息识别离散状态空间内有效移动的离散朗之文启发式后验采样器。该方法支持跨所有 token 维度的并行更新,且对掩码或均匀状态的离散扩散先验训练范式无关。实验表明,其在图像复原、空间映射及 DNA 序列生成等线性与非线性逆问题任务中,性能优于近期离散扩散后验采样器并可与强连续扩散求解器竞争。
该论文指出潜在世界模型虽能实现短期准确预测,但其隐空间常与长期规划不匹配,核心在于时空错位。作者提出 RC-aux 这一轻量级修正方法,在保持骨干网络不变的前提下,沿时间轴进行多步开环预测训练,沿空间轴引入预算条件的可达性监督及时间硬负样本,使隐空间能区分最终可达状态与当前规划视界内可达状态。
该研究提出迭代最佳响应(IBR)策略,解决无人机在通信受限与不确定环境下的城市级包裹配送任务分配问题。实验显示,相比最早截止期优先、匈牙利算法及随机冲突基线分配,IBR 在满通与稀疏通信下均实现具有竞争力的完成率且计算耗时更低。论文包含 8 页正文与 6 张图表,代码与权重暂未提及开放许可。
该方法通过矩阵值路径联合训练分数网络并学习噪声调度,推导了高效优化估计器及二阶 Heun 离散化反向 ODE 求解器。在 CIFAR-10、AFHQv2、FFHQ 和 ImageNet-64 数据集上,其 FID 指标持续优于基线且低 NFE 增益最大。代码已开源,论文版本为 arXiv:2602.19512v2。
论文提出将局部微调、LoRA 及激活干预等 LLM 控制方法视为由控制信号诱导的动态权重更新,构建了统一的偏好 - 效用分析框架。研究发现控制强度增加会提升对目标概念的倾向(偏好)但降低生成连贯性(效用),并通过激活流形视角解释了这一权衡机制。作者据此提出了新的转向方法 SPLIT,旨在改善偏好同时更好地保留效用。代码已开源。
该研究介绍了一种黑盒可解释性框架,通过学习“宪法”来总结提示词变化对模型行为(如对齐、正确性或约束遵循)的影响。方法利用原子概念编辑(ACEs),系统性地添加、移除或替换输入提示中的可解释概念,从而建立从编辑到结果的因果映射。
针对科学文档视觉问答中证据定位困难且缺乏可解释性的问题,作者提出了 SciEGQA 数据集。该数据集包含 1,623 个人工标注的高质量问答对及超过 30K 个自动构建的训练样本,支持语义连贯的证据区域标注。实验表明,基于该数据集训练能显著提升视觉语言模型在科学文档中的推理与证据定位能力。
本文对 CNN 和 ViT 架构在多种训练范式下的分布外(OOD)检测置信度评分函数进行了系统性基准测试。研究发现,简单概率分数主导误分类检测,而基于几何、重构或残差的分数在不同表征坍缩程度下表现各异。研究提出了一种基于 PCA 的投影过滤流程以提升性能,并开发了仅利用已训练分类器的神经坍缩(NC)指标来预测其竞争性 OOD 检测器清单的方法,无需额外 OOD 数据或先验知识。
作者提出了一个基于 GPU 的求解器,用于解决轨迹规划问题。该方法采用多射击动力学表述和增广拉格朗日法处理约束,并开发了两类针对树稀疏结构的内层 LQR 求解器以利用不同级别的并行性。数值结果表明,与高性能 CPU 求解器相比,该方案在大规模问题上具有更优的性能。
该论文提出 3D-MoE,一种利用混合专家架构和模态感知概率路由的高效 3D 视觉语言模型。研究集成基于扩散的动作头 Pose-DiT,将模型转化为能生成精确 6D 姿态的 3D 视觉语言动作(VLA)模型,支持机器人操作任务。实验表明该模型在多个基准上表现优异,激活参数大幅减少且推理实时,已接受 EMNLP 2026。代码开源。
论文提出 Watermark-based Adversarial Surface Perturbation (WASP) 方法,证明可见水印可作为对抗表面破坏文档理解性能。
该论文研究了模拟空气曲棍球防守任务,发现即使在没有追踪冰球的临时情况下,控制仍需依赖记忆。研究将 DreamerV3 教师模型蒸馏为具有 64 维状态的紧凑循环策略,结合对角线线性循环与可选的秩 k 非线性创新,而观测编码器和动作头保持非线性。
论文介绍了一种名为 FlowTool 的新方法,通过将基于工具的图像编辑任务建模为流匹配问题,直接对输入图像和用户指令条件化地生成高质量工具参数的分布。该框架结合了视觉语言模型骨干网络与扩散 Transformer 参数生成器,无需自回归推理即可有效完成结构化连续编辑参数的生成。
针对多视图投影和现有 UV 空间方法依赖辅助模块导致的接缝不连贯问题,论文提出 DirectUV 框架。该方法在预训练图像 VAE 的潜在 UV 空间中运行,利用 Diffusion Transformer 结合单张输入图像和粗略 UV 图进行去噪。
该论文在 COCO-Val 全量数据集上分析了零训练大语言模型与开词汇检测器流水线的表现,发现定位准确率下降主要源于词汇新颖性导致命名对象超出标注类别范围,而非模型幻觉或视觉复杂度问题。研究证实了该现象具有通用性,并修正了前版计算误差,为开放世界多模态系统的评估与设计提供了关键依据。
推荐理由:研究发现零训练流水线中定位与语义的差距主要源于标注类别限制而非模型幻觉,为评估开放世界系统提供了新视角。
针对家庭环境服务机器人部署难题,研究提出基于商用 XR 笔的增强现实控制界面,并对比了运动控制器、手势及 RViz 基线。10 人实验显示运动控制器在感知工作量和可用性上得分最佳且接近计算机基线,而手势操作导致显著更高工作量;XR 笔虽任务选择时间最短但受头显切换至手部追踪问题影响未达统计显著性。该研究已获准于 2027 年日本神户 IEEE/SICE 系统集成国际研讨会展示。
论文提出 RecCAR(Reciprocal Cross-modal Attention Regularization)方法,针对联合视频与动作、音频生成的跨模态对应关系不对称问题,利用已建立的视频到模态的强对应作为固定参考,通过 KL 散度正则化对齐较弱的模态到视频对应。
本文提出 GameReplica 基准,用于评估视觉语言代理在黑盒条件下复现网页游戏系统的能力。该基准包含 25 款游戏的 125 个实例,涵盖五种核心机制家族及五个难度等级。