ACE-CaP-0:经验时代的现实世界代码策略
ACE-CaP-0 提出一种结合按需演示(Demonstrations on Request)与按需仿真(Simulation on Demand)的智能体配方,旨在通过经验获取并保留可执行的物理技能。
推荐理由:提出 ACE-CaP-0 框架,结合按需演示与按需仿真将八项真实操作任务成功率提升至 92.1%,实现无需人在环的自主执行。
ACE-CaP-0 提出一种结合按需演示(Demonstrations on Request)与按需仿真(Simulation on Demand)的智能体配方,旨在通过经验获取并保留可执行的物理技能。
推荐理由:提出 ACE-CaP-0 框架,结合按需演示与按需仿真将八项真实操作任务成功率提升至 92.1%,实现无需人在环的自主执行。
Raysemble 通过分离形状与位置,利用共享解码器预测归一化骨骼形状,并结合深度与相机几何将形状重采样至毫米级公共网格。该方法在无需刚性对齐 CT 的情况下,在 23 名受试者的 43 个 CT 扫描生成的模拟正位 X 光片上评估,平均 Dice 为 65.24%,HD95 为 9.09 mm,ASSD 为 3.32 mm,优于 VolumeNeRF 等 15 种方法。
该预印本提出 Kosmo-GFM,这是一个集成了几何基础模型、位姿优化引擎及来自 KosmoWorld 的重建监督的场景重建系统。GFM 可从图像和视频预测相机参数、深度、跨视图对应关系及动态 3D 点;PoseEngine 结合这些预测与几何优化恢复场景级位姿和几何结构,用于下游 3D 和 4D Gaussian Splatting。
推荐理由:该预印本提出 Kosmo-GFM 系统,在 SpatialBench 上实现最低深度误差与最高位姿 AUC,PoseEngine 运行时间约为 GLUEMAP 的 20%,支持将学习到的几何先验集成到重建流程中。
EG360 是一种针对全景深度估计的高效通用模型,利用场景几何引导的自适应全景 - 视角蒸馏策略及球体跨层级特征融合模块。该模型重参数化后仅含 6.593M 参数,在 Jetson Orin NX 16GB(MAXN 模式)上实现 35 FPS 推理速度,远超 ViT-small 模型的不足 2 FPS。代码将公开以支持未来研究。
DashBench 基准测试了 25 个视频大语言模型在涵盖碰撞及非碰撞类共 1709 条精心筛选的驾驶视频上的表现。结果显示所有被评估模型均远低于安全关键应用所需阈值,常误判危险事件或产生幻觉。该基准结合严格评测工具与详细诊断报告,旨在推动更安全、可解释的自动驾驶系统发展。代码和数据将在指定链接共享。
AdaEye 系统研究了可见光(VIS)及跨光谱(VIS/NIR)场景下的眼周识别输入与骨干网络缩放,相比全脸方案将每图计算成本从 6.30 GMACs 降至 1.64 GMACs 并提升约三倍吞吐量。
AgriSense 框架结合 Isaac Sim 虚拟温室与四足移动操作臂,利用冻结的 DINOv2 和 BERT 编码器联合预测十二项环境参考及干预标志。在源分组测试集上,全模型、去图像及去语言配置均达成 43/44 次区域决策正确率,未体现多模态增量增益;温度与湿度预测误差分别为 0.249 度和 2.03 个百分点。
针对深度多视图聚类融合过程中信息冗余及跨表示层无差别对齐的问题,本文提出正交残差共识对齐(ORCA)方法。该方法通过语义增量循环融合模块提取跨视图正交残差作为非冗余增量,并利用发散引导门控自适应加权循环状态;同时采用共识校准的分层对比对齐模块,利用全局共识对视图级、成对及循环表示的对比对齐进行加权。
针对激光雷达在雾天因强背向散射和信号衰减导致弱目标回波丢失的问题,该工作发布了 Fog-FWL 数据集基础。
推荐理由:该工作发布了首个大规模全波形激光雷达雾天数据集,填补了从波形数据恢复被雾遮挡物体的研究空白。
论文介绍 EgoX 框架,利用语义对应的观测与动作模态组织异构演示数据。模型 MXT+ 采用模块化交叉具身 Transformer 架构,为每种观测和动作分配专用 Tokenizer 与专家,共享主干网络并通过训练专用的身体 Dreaming 目标预测未来视觉和本体感觉状态以建模动力学。
推荐理由:该预印本提出 EgoX 框架,通过模态解耦与身体 dreaming 实现跨机器人策略迁移,在 OOD 条件下显著提升任务进度。
针对将通用视觉语言模型(VLM)适配自动驾驶需大量空间先验或架构重构的难题,本文提出非侵入式的三元组增量训练框架。该方法利用自动构建的图像、深度和问答三元组,通过统一三流训练管线注入 3D 几何感知:主 VLM 流适应驾驶任务,辅助深度流引导视觉骨干网想象场景几何,冻结的双生 VLM 流防止语义漂移。
推荐理由:提出非侵入式三元组增量训练框架,在保留通用 VLM 能力的同时通过辅助深度流注入几何感知,部署时无推理开销。
针对手机分心行人不可预测的偏离行为,该研究提出基于 3D 骨骼特征和随机森林分类器的实时注意力感知导航框架。用户研究显示,在 252 次试验中,该方法相比仅用 LiDAR 或仅轨迹预测的基线,显著提升了平滑度与可预测性且未增加通行时间。实验证实,只有结合注意力状态感知的代价地图调整,才能有效改善主观导航质量。
针对公开热红外无人机数据集的相机系统与标注差异,研究建立了涵盖光学效应与图像增强的缺陷分类法。实验表明检测性能主要由训练数据构成决定而非 YOLO 模型容量,最佳配置仍漏检超 40% 目标且存在显著跨域不对称性。该预印本论文揭示了现有数据集在复杂背景下的局限性,为提升连续监控能力提供关键改进方向。
论文提出 Sprint3D 方法,针对 Pixal3D 流水线中网格后处理耗时占比高达 85% 的问题,将其迁移至 GPU 并重构流程,同时将 rectified flows 蒸馏从 76 次评估降至 8 次。
论文提出 NSDL(Neuro-Symbolic Division of Labor)框架,针对异构机器人团队的任务规划,将视觉判断与逻辑求解解耦:小参数视觉语言模型负责从场景图像和指令中识别未达成目标并生成计划草图,确定性求解器据此展开为可执行联合计划。
MuViRL 是一种自监督框架,结合同步 3D 高斯视图合成与多模态自监督,利用决策模型校准分数指导信息聚合并蒸馏至单分支。实验在真实与合成多视角数据上验证了该方法能提升跨视图的多模态表征一致性及视觉语音识别性能。该研究共 30 页含 7 张图,属于计算机视觉领域的预印本论文。
该方法通过神经网络预测多重散射场并在逆渲染中对其求导,利用蒙特卡洛监督微调以解决优化漂移问题。在独立测试的光学厚云层上,同等耗时下其重光照效果优于冻结源层析成像,且大幅节省时间即可超越可微路径追踪基线。论文包含 21 页、11 张图和 18 个表格,已上传至 arXiv 供下载。
arXiv 预印本论文《Rethinking Actions: Continuity-Aware Priors for World-Model Planning》提出 LG-DKGP 方法,通过结合近期与长程执行历史预测神经延续并学习高斯过程残差。
论文介绍 Reins 框架,使 GPT-6.1 Sol 等前沿大模型能在无任务特定代码的情况下,通过调用工具与原子动作控制双臂机器人。系统包含一个编排实例负责链式执行带条件的动作,以及一个叙事者实例持续监控摄像头并报告变化。
研究构建 OverReal-Gen 与 OverReal-Det 评估工具,发现八款主流文生图系统在否定、想象等四种情境下均出现提示未要求的物体生成。现有 CLIPScore 等传统指标不仅无法惩罚此失败,甚至可能奖励该缺陷,且仅靠提示词扩展难以完全缓解问题。
针对中子图像斑点噪声与细节缺失问题,该研究提出结合 CNN 与 Transformer 的超分辨率网络。通过利用预训练模型增强真实中子图像作为高质量参考,并引入混合先导引导通道融合等模块优化纹理重建。仿真结果显示,相比双三次插值、SRCNN 及 SRGAN-VGG 等方法,新模型在 PSNR、SSIM 等全参考指标及 AGM、SMD 无参考指标上均表现更优。
针对资源受限环境下的医疗图像分类任务,该研究评估了四种 ZACH-ViT 变体(线性、欧几里得原型、庞加莱和球面头)与两个紧凑多实例学习基线模型。所有模型均在 MedMNIST+ 七个数据集及三个外部基准上从头训练,参数量少于 260,000。
针对机器人操作需同时理解场景结构与任务历史的问题,该研究提出 STVLA 框架,将预训练视觉几何基础模型的表征融入时序记忆,使策略能回忆过去场景结构以辅助当前决策。
ReFineR 是一个离线框架,利用可微分点溅射光栅化和平滑梯度方向度量(GOM),通过分析与合成优化迭代微调相机姿态以解决图像到点云的精细配准。该方法在手动校准的异构数据集上评估了性能,并证明可在优化前自动估计点云缩放因子,从而在多种场景下实现尺度不变鲁棒性。
研究者在 Qwen3.5 4B/9B 及 Qwen3-VL 4B 模型上测试发现,将个人动作作为输入提示词可使群体意图宏观 F1 提升至 31.2,且该增益依赖图像 grounded 的动作。实验表明意图跟随书面动作而非相反,空列表或借用其他组动作均会降低效果,相关代码与数据处于预印本状态。
该论文提出 ActWorld-JEPA,一种将联合嵌入预测架构(JEPA)与潜在规划结合的世界模型方法,旨在通过观测上下文和提议轨迹在隐空间进行未来预测并指导驾驶决策。
Pl@ntNet 推出机器对机器 AI 植物识别服务,覆盖全球 8.5 万物种,物种预测准确率达 0.89。该服务处理速度比人工流程快 666 倍,自上线以来已处理超 8400 万次请求(2025 年单年超 4000 万次)。系统支持昆虫图像植物重建、社交媒体地理定位分析等自动化生态工作流,在标准笔记本上 30 分钟内可处理 2424 张图像生成数据集。
CP-JEPA 结合预训练 CLIP 图像编码器的低秩微调与联合嵌入预测目标,在 OCIM 基准测试中实现 3.74% 平均 HTER 和 98.73% 平均 AUC。
针对现有低光照增强方法多基于静态图像且缺乏真实世界配对视频数据的问题,作者发布了 PiLLVD 数据集。该数据集使用树莓派多相机系统采集了室内外动态场景的成对低光照与正常光照视频序列,重点覆盖丰富运动下的帧间稳定性挑战。研究在零样本设置下对主流预训练增强方法进行了基准测试,结果显示现有方法泛化性不足,验证了新数据集对于推动算法发展的价值。
针对低阻抗夹爪,研究提出基于小信号分析的导纳表征方法,量化负载扰动下的动态响应。实验显示同一物体同位置抓取刚度可差两个数量级且共振特性不同。非线性仿真证实该方法有效捕捉抓取动态行为,相关预印本已发布。
针对社交机器人长期存在的对话轮转失败与误解难题,该研究提出需采用多模态双向流技术以降低此类故障频率。论文回顾了提升语音识别与轮转的早期方法,并论证了当前技术路径的有效性。该工作已在 EMF Workshop 及 HRI 2026 会议上展示,代码与数据许可状态待定。
Large Vision-Language Models (LVLMs) 在视频内容推理上表现有效,但其在连续视频中感知事件边界的方式是否与人类一致尚不明确。研究通过 Generic Event Boundary Detection (GEBD) 任务,在不依赖预定义类别的情况下识别人类自然感知的事件边界。
该论文提出了 HIFC 框架,旨在解决无参考图像质量评估中的跨域挑战。该方法无需重新训练,通过不对称感知分解分离语义内容与失真表征,并融合记忆共识分支与直觉分支以生成最终评分。实验表明其在多个基准测试中达到最先进性能,特别是在合成到真实的跨域设置下展现出显著的鲁棒性和泛化能力。
本文介绍 DesignTaste 基准,利用 Beste Plakate 2025 和 ADC 2026 的获奖作品及背景信息构建 403 个设计简报。六款主流商业文生图模型针对同一简报生成图像,并由单一模型裁判在五个维度独立评分。结果显示仅 ArtArk 的平均总分高于获奖作品,所有模型在创意原创性维度得分均低于获奖作品,表明生成美观图像不等于具备优秀设计方案能力。
HALO 是一种针对全身体移动操作的人机对齐数据采集系统,通过保留直接物理反馈与天然运动能力解决现有接口在感知、动作对齐及操作员移动性上的权衡难题。相比 Mobile ALOHA 和 VR 遥操作,HALO 将演示采集速度提升最高 2.9 倍,同时在六阶段长视界任务中保持相当或更高的成功率。经部署对齐处理策略训练后,系统在涉及重复协调基座与手臂运动的复杂操作中达到 73.3% 的成功率。
PhysCapBench 是首个统一涵盖第三人称场景、第一人称操作及手持夹爪演示的物理标注基准,包含 1,500 条经人工验证的视频序列并覆盖七个物理维度。该基准显示,相比仅含元数据的描述,富含物理信息的视频语言监督可将视频重建的 LPIPS 误差降低 8.6% 至 30.9%,并在 pi0.5 策略微调任务中带来 7.5 个百分点的成功率提升。
推荐理由:PhysCapBench 作为首个跨域物理标注基准,通过量化语言监督中的物理信息缺失,为视频重建与策略微调提供了可检验的评估标准。
VOKE 是一个运动学感知感知框架,通过可插拔模块预测物体的线角速度加速度并优化位姿估计。在 DexYCB 和 OakInk 数据集上,该方法显著降低了速度与加速度误差,优于基于位姿差分的方法。下游应用利用增强策略在无微调情况下成功从仿真迁移至物理机器人,验证了感知到控制的完整路径。
针对传统全身运动跟踪策略训练耗时长的痛点,本文提出 BlinkMimic 配方,结合从并行仿真学习的世界模型回传梯度、Muon 更新机制以及残差策略等技术。
推荐理由:作者提出 BlinkMimic 配方,在单卡 RTX 4090 上仅需 3.4 分钟即可训练出能复现 40 个动作片段的人形机器人全身运动跟踪策略。
论文介绍 VI AMO 数据集,包含来自 11 个机器人源的 6,600 集视频及动作与任务标注。研究提出 VIM 模型,在未见测试数据上对原子动作和任务的预测相似度分别达到 0.825 和 0.821,且在标签缺失情况下仍保持较高性能。
推荐理由:该工作提出 VI AMO 数据集与 VIM 模型,能从视觉历史解码人类意图,使 VLA 策略在未见环境中接管任务并显著降低遥操作时间。
该论文提出了 Model Distribution-Aware Multimodal Dataset Distillation (MDA-DD) 方法,旨在通过合成紧凑的图像 - 文本数据集来降低视觉语言预训练成本。