跳到正文
10月19日周一
  1. arXiv · 机器人与计算机视觉42

    Cambrian-BEV:利用鸟瞰图视觉 Token 实现高效空间推理

    Cambrian-BEV 通过无参数几何 Tokenization 将多帧特征聚合至共享鸟瞰图坐标,使同一物理位置观测在任意视角下保持一致。该方案无需架构修改,仅用冻结的 DINOv3 编码器即可将约 100K 特征压缩为 729 个 BEV Token,预填充时间降低 2.9 倍、峰值显存减少 3.6 倍。

  2. arXiv · 机器人与计算机视觉83

    EgoP$^{2}$C:一种用于第一人称视频空间推理的内化计划 - 感知 - 合成框架

    该论文提出 EgoP$^{2}$C 框架,旨在解决现有视觉语言模型在处理第一人称视频复杂空间推理任务时证据获取与多步组合困难的问题。研究通过训练专用的规划与感知教师模型,并在混合专家学生模型中进行监督微调,实现了无需外部工具的内化自适应工作流。

    推荐理由:该工作提出将规划、感知与合成流程内化于单一 VLM 的框架,在三个基准测试中显著优于基线模型并降低推理算力。

  3. arXiv · 机器人与计算机视觉58

    面向地理多样化建筑重建的 3D 基础模型:ArchWorld 基准与误差分析

    论文介绍 ArchWorld 基准,包含互联网规模的真实地标照片集合及丰富元数据,旨在评估和改进单步前馈估计场景结构的 3D 基础模型(3DFM)。研究分析了当前模型在不同地理区域的性能差异,发现误差不仅源于数据分布和场景规模,还受区域特有建筑特征与背景干扰影响。

  4. arXiv · 机器人与计算机视觉72

    Event-STVG:面向长形式事件推理的时空视频定位新基准

    作者提出 Event-STVG 任务,将时空视频定位从实例描述转向事件级推理,涵盖长上下文、重复事件推理及多目标定位。构建包含足球等八个领域共 4016 个标注事件的基准测试。实验显示最强 MLLM 模型在 10 分钟跨度下 m-vIoU 仅为 5.4%,暴露出重复同类事件混淆与空间定位瓶颈,为视觉理解研究设立新挑战。代码与注释已公开。

  5. Hugging Face Daily Papers8

    Predictive Closure:JEPA 特征集级表征的新方法

    针对联合嵌入预测架构(JEPA)中不可预测特征难以编码的问题,研究提出“预测闭合”表征法,证明特征选择取决于集合属性而非个体可预测性。实验表明,当某特征有助于预测其他特征时,即使其本身不可预测也能被保留;通过辅助目标或侧信息间接引导策略可强化特定特征的表示。该方法为 JEPA 的特征选择提供了新的理论视角与实验验证。

  6. Hugging Face Daily Papers70

    More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents

    论文研究大语言模型智能体如何通过外部记忆存储执行经验以改进任务表现,指出保留抽象规则虽能复用策略但会导致错误通过检索与重生成循环持续传播(即错误复现)。作者提出 Anti-Persistence 设计,仅积累轨迹和结果并在需要时按需重构指导,执行后丢弃合成内容以防止直接复用。

  7. 量子位80

    VAST 发布开源实时世界模型 EdenLive,单卡消费级显卡超 24FPS 运行

    VAST 正式发布并开源实时世界模型 EdenLive,首次实现在实时生成前提下同时完成任意参考输入、任意画风生成和长时连续运行。在单张 Nvidia RTX 5090 消费级显卡上,720P 条件下 5B 模型生成速度超过 24FPS,端到端延迟为百毫秒级,支持分钟级画面持续生成。

    推荐理由:VAST 正式发布并开源实时世界模型 EdenLive,支持在消费级显卡上实现分钟级连续生成与交互渲染。

10月18日周日
  1. Hugging Face Daily Papers5

    世界模型可解释性:从解码表征到理解潜在世界

    针对联合嵌入预测架构(JEPA)缺乏人类可读接口的挑战,该观点文章提出“地面、结构、验证、行动”四阶段研究议程。现有工作仅初步支持“地面”阶段,而系统分析潜在结构、因果验证及干预仍属未探索领域。此举旨在推动从单纯解码表征转向对潜在世界的理解、验证与行动。

10月17日周六
  1. Hugging Face Daily Papers68

    EdgeKernelBench:面向边缘后端的统一 LLM 驱动内核生成与分层优化研究

    针对边缘设备硬件异构、软件栈碎片化及资源预算紧张的问题,该研究提出了 EdgeKernelBench 基准测试框架和 LEKA 分层优化代理。实验表明,直接生成的最佳模型 Correct@1 为 64.5% 但 [email protected] 仅为 25.5%,功能正确性无法保证性能收益;引入分层 IR 的 LEKA 在同等条件下将 [email protected] 提升至 43.5%。

  2. Hugging Face Daily Papers58

    基于公理化世界模型的物理推理研究

    该研究指出大语言模型在物理推理任务中常因内部公理世界模型(AWM)与题目指定的真实物理世界存在偏差而失败。为此提出强化学习与公理化世界建模(RLAWM)框架,在训练阶段通过分层奖励机制分别监督抽象知识构建和具体推导过程,以缩小 AWM 与真实世界的差距。实验显示该方法在 PhysReason 基准上提升最高达 12.2 分,并在奥赛级物理数学任务中实现零样本泛化增益。

  3. Hugging Face Daily Papers35

    PathFM:基于流匹配的快速多变量轨迹生成预测模型

    PathFM 是一种利用流匹配技术生成完整未来路径的时间序列基础模型,其蒸馏采样器能在单次量化查询时间内为单系列生成多条路径。该模型在 fev-bench 和 TIME 基准上达到具有竞争力的边缘精度,并在新增能量与变差函数指标的 fps-bench 上优于所有外部基线。实验表明其在混沌系统中能维持长期变异性,而强基线则迅速崩溃。

10月16日周五
  1. Hugging Face Daily Papers82

    Data World:从零构建数据环境以支持数据代理训练

    论文介绍 Data World 多智能体引擎,该引擎在生成文件前显式指定其背后的世界机制,以解决数据代理训练中环境成本高、隐私限制及结果难验证的问题。研究通过人类偏好筛选出涵盖 16 个领域的 50 个保留世界的 100 个任务构建基准,并生成了来自 1,037 个独立世界的 2,135 个训练任务。

    推荐理由:提出 Data World 引擎,通过合成环境与任务解决数据代理训练的隐私与验证难题。

  2. Hugging Face Daily Papers63

    OmniVerifier-C1:面向规则约束生成世界模型的分解式分级验证器

    该论文介绍 OmniVerifier-C1 模型,这是一种将复杂提示或环境规则自动分解为细粒度组件并分配逐点分数的视觉验证器,以提供连续且信息丰富的批判信号。研究通过解耦强化学习策略联合优化子问题二元判断与全局对齐评分,在迷宫和数独等结构化世界建模任务中证明了该方法的有效性。

  3. Hugging Face Daily Papers80

    CoWorld Reasoner:基于演进式视频世界模型的代理多模态推理

    论文介绍 CoWorld Reasoner 框架,该框架将视频世界模型(VWM)作为统一的视觉推理引擎,通过工具调用和技能引导 VLM 进行灵活的视觉想象与空间、因果及感知推理。

    推荐理由:提出利用视频世界模型作为统一视觉推理引擎的代理框架,在多项基准测试中优于直接推理。

  4. arXiv · 机器人与计算机视觉82

    LIMBO:一种用于敏捷且安全的全身控制的无模型障碍目标学习与内化框架

    arXiv 论文 LIMBO 提出了一种框架,通过从黑盒状态转移中学习状态 - 动作控制屏障函数,并将其安全结构蒸馏到任务策略中。该方法在冻结基控制器周围对残差动作进行基于剩余的安全证书合成,使 Q-CBF 合成在全控制维度上可行。实验在一个拥有 29 个自由度的类人机器人上进行了躲避球和跨越低障碍物的运动演示,展示了学习到的策略无需在线安全过滤即可直接迁移到硬件。

    推荐理由:该框架将安全证书蒸馏至任务策略,使学习到的安全合成可扩展到全身敏捷控制且无需在线安全过滤。

  5. arXiv · 机器人与计算机视觉80

    VOiLA:基于学习到的扩散模型的向量化在线规划 POMDP 智能体

    arXiv 论文介绍了 VOiLA 框架,旨在解决部分可观测马尔可夫决策过程(POMDP)中的不确定性规划问题。该框架通过条件扩散模型学习任务无关的 POMDP 世界模型,并将采样器蒸馏为紧凑的前馈生成器以集成到向量化在线 POMDP 规划器中。

    推荐理由:该研究提出 VOiLA 框架,利用蒸馏后的扩散模型实现 POMDP 在线规划,在仿真数据上实现了物理机器人任务的完美执行。

  6. arXiv · 机器人与计算机视觉74

    Future-L1:基于潜空间交错视觉推理的视频事件预测新模型

    该论文提出了 Future-L1 框架,旨在解决现有视频多模态大语言模型将中间推理步骤转化为文本导致细节丢失的问题。该方法让模型在自回归解码过程中交替使用语言 token 和连续潜变量视觉片段,并在 FutureBench 上将 Qwen3-VL-8B 的准确率从 61.0% 提升至 85.4%,在 TwiFF-Bench 上平均得分从 2.44 提升至 3.04。

  7. arXiv · 机器人与计算机视觉68

    PathPainter:将图像生成模型的泛化能力迁移至具身导航

    PathPainter 是一个面向地面及近地面机器人的导航系统,利用鸟瞰图(BEV)作为全局先验,通过图像生成模型解析自然语言意图并生成可通行掩码,同时引入跨视角定位以消除里程计漂移。该系统在四足机器人平台上成功完成了 285 米的户外长距离自主导航任务,验证了基础模型的泛化能力向具身导航迁移的有效性。

  8. arXiv · 机器人与计算机视觉75

    EmbodiedMidtrain:利用中间微调弥合视觉语言模型与视觉语言动作模型的差距

    针对现成视觉语言模型(VLM)未适配具身域导致视觉语言动作模型(VLA)性能受限的问题,本文提出 EmbodiedMidtrain 方法。研究首先刻画了 VLM 与 VLA 数据分布差异,构建了基于轻量级可学习邻近估计器的中间微调数据引擎,从中筛选出高对齐候选样本构建 EmbodiedMidtrain-1M 数据集。

  9. arXiv · 机器人与计算机视觉68

    Co-VLN:通过同行观测共享提升视觉语言导航性能

    针对视觉语言导航系统受限于部分可观测性的问题,本文引入 Co-VLN 这一极简且模型无关的框架,研究并发导航的智能体如何通过交换结构化感知记忆来相互受益。实验在 R2R 基准上验证了该框架对基于学习的 DUET 和零样本 MapGPT 两种范式均能带来显著的性能提升,为未来协作具身导航研究奠定基础。

  10. arXiv · 机器人与计算机视觉48

    RMBench:基于记忆依赖的机器人操作基准与策略设计洞察

    针对现有机器人操作策略忽视记忆能力的局限,研究团队推出包含 9 个任务的仿真基准 RMBench 及模块化策略 Mem-0。通过广泛的仿真与现实实验,该工作揭示了现有策略在记忆相关任务中的限制,并提供了架构设计选择如何影响记忆性能的实证洞察。相关网站与代码已公开供评估使用。

  11. arXiv · 机器人与计算机视觉78

    SceneReVis:一种用于 3D 室内场景合成的自反思视觉 grounded 框架

    针对现有一次过三维场景合成方法易产生碰撞等空间幻觉的问题,论文提出 SceneReVis 框架,利用多模态反馈执行迭代的诊断与行动循环以显式拦截并解决冲突。研究构建了包含因果构建轨迹的 SceneChain-12k 大规模数据集,并提出从监督微调过渡到智能体强化学习的两阶段训练方案。

    推荐理由:提出基于多轮强化学习的自反思框架,通过因果构建轨迹数据集解决三维场景合成中的空间冲突问题。

  12. arXiv · 机器人与计算机视觉72

    面向模糊指令的 affordance 感知交互式决策与执行研究

    arXiv 论文 AIDE 提出一种模仿人类认知过程的双流框架,通过多阶段推理进行决策、加速决策模块负责执行,实现零样本 affordance 分析与模糊指令解释。实验表明该方法在仿真及实机环境中任务规划成功率超 80%,10Hz 闭环连续执行准确率超 95%,优于现有基于 VLM 的方法。

  13. arXiv · 机器人与计算机视觉61

    IDfRA:机器人装配中的自验证迭代设计框架

    针对复杂工业场景依赖人工规划和启发式仿真的局限,本文提出 IDfRA 框架,结合大语言模型生成装配计划与视觉语言模型评估执行结果,形成规划 - 执行 - 验证的闭环。该系统无需部署前构建精确的世界模型,而是通过在线交互发现物理约束以适应未充分定义的环境。实验显示,该方法在语义可识别性上达到 73.3% 准确率,整体构建成功率为 86.9%,且设计质量随迭代逐步提升。

  14. arXiv · 机器人与计算机视觉42

    多层级点云加权通行性图路径规划方法研究

    该方法提出针对多层地形的路径规划新方案,通过多级跳表预处理点云、车辆与点云交互直接获取局部通行指数,并构建加权连通图辅助改进的 A*算法生成短且安全的路径。实验在多层建筑、林地及崎岖山地等室内外环境验证,证明其能有效解决地面车辆的三维路径规划问题。

  15. arXiv · 机器人与计算机视觉78

    Mallea:基于代码智能体的世界构建、引导与记忆系统

    arXiv 论文介绍 Mallea 系统,该系统利用编码智能体从文本提示中推断物体交互需求,联合规划物体结构、属性及规则以支持紧凑表示。系统通过生成式渲染器结合当前结构与记忆的纹理外观来推进世界状态,并允许用户动作引导演化或编辑属性而不影响现有状态。材料为预印本版本,未报告真实机器人部署结果。

    推荐理由:原文提出 Mallea 系统,通过编码智能体构建可编辑的文本驱动世界模型,支持对象交互规划与纹理记忆。

  16. arXiv · 机器人与计算机视觉58

    当现实超越认知:一种用于可靠智能的新扩展原则

    该论文挑战现有 AI 范式与世界模型的感知推理能力上限,定义有效连贯认知速度作为衡量系统在现实快速变化下保持行为可靠性的基准。研究通过强化学习代理在不重训情况下将现实变化速度提升 50 倍进行评测,发现受细胞机制启发的 Co^4 架构在 Transformer 和门控 MLP 基线上均取得显著更高的有效连贯认知速度,论证了扩展连贯认知作为可靠 AI 原则的可行性。

  17. arXiv · 机器人与计算机视觉72

    Gen4P:将视频生成器转化为 4D 感知器

    论文介绍 Gen4P 统一框架,利用预训练视频生成器无需迭代去噪即可从前馈方式恢复 4D 几何与运动。通过按需查询和连续时间查询实现灵活采样,并引入冻结的视频深度 LoRA 作为几何先验增强性能。在单目视频上实现了 3D 点跟踪、视频深度估计和相机姿态估计的最先进或竞争性表现,展示了生成式预训练在统一 4D 感知中的潜力。

  18. arXiv · 机器人与计算机视觉82

    T2-z:通过测试时优化环境潜变量实现机器人世界模型的自适应

    论文介绍 T2-Z 方法,该方法为机器人世界模型引入可学习的无监督环境潜变量,在训练阶段交替优化动力学与潜变量结构,在测试阶段仅凭少量交互即可适配新环境。实验显示,该方法在仿真和真实任务中将物体预测误差从 15.20 降至 7.00,动作成功率从 33.73% 提升至 72.96%,且能高效捕捉环境与物理因素的联合表征。

    推荐理由:该工作提出在测试时优化环境潜变量以适配未见过的环境配置,显著降低预测误差并提升任务成功率。

  19. arXiv · 机器人与计算机视觉67

    DK-VLM:以几何作为位置的视觉语言模型空间推理方法

    该论文针对视觉语言模型难以理解跨视图三维空间关系及更新观察者移动后空间判断的问题,提出 DK-VLM 模型。该方法利用双核注意力机制,通过语义核保留预训练模型的固有注意力与位置编码,同时引入独立几何核,利用估计的 3D 点和相机姿态直接调制注意力;并通过学习到的门控融合两者输出。

  20. arXiv · 机器人与计算机视觉63

    GeoState:面向 3D 世界建模的视角解耦几何状态学习

    该论文提出 GeoState,一种用于预测性 3D 世界建模的视角解耦几何表示方法。该方法通过场景 tokenizer 聚合多视图基础模型特征以生成与相机无关的场景状态,并由几何解码器利用相机射线查询;自回归世界模型预测未来场景状态,同时单独建模相机运动。