MJev-Spatial:基于原生注意力匹配的 System 1 空间智能模型
论文介绍 MJev-Spatial,这是一个基于 Qwen3.5-4B 构建的 System 1 多模态决策模型,旨在解决空间关系判断、距离测量和物体定位等任务。
推荐理由:该工作提出 MJev-Spatial,通过原生注意力匹配将空间理解任务转化为分类问题,在保持高精度的同时显著提升了推理速度。
论文介绍 MJev-Spatial,这是一个基于 Qwen3.5-4B 构建的 System 1 多模态决策模型,旨在解决空间关系判断、距离测量和物体定位等任务。
推荐理由:该工作提出 MJev-Spatial,通过原生注意力匹配将空间理解任务转化为分类问题,在保持高精度的同时显著提升了推理速度。
该研究提出一种基于视觉引导最优控制的自主运动规划框架,使推进式无人机能在月球表面于指定航点间执行安全高效的抛物线跳跃。系统通过自定义语义分割模型识别障碍物、快速计算可达地形,并利用模型预测控制(MPC)稳健跟踪轨迹以引导至安全着陆位。团队在高保真月球仿真环境中测试了最优跳跃规划器,验证了该统一框架能生成可被 MPC 快速且低误差跟踪的安全、节油飞行轨迹。
论文提出 FutureLift,一种与骨干网络无关的运动预测细化器,将多模态轨迹提议表示为包含时空节点的未来图,利用双向时间边在单次遍历中用后续证据修正早期段。
该研究构建了基于 AMD Kria KR260 嵌入式 FPGA 的相机端 3D 占用网络前端 FALCON,通过可编程逻辑计算与看门狗机制实现了每帧 100ms 以内的确定性延迟保证。
针对现有 Splatting 方法依赖迭代非线性优化导致计算耗时和显存占用高的问题,本文提出 CF-Splat 框架。该方法在已知网格几何和标定相机条件下,将渲染像素颜色表示为顶点球谐系数(SH)的线性函数,从而将多视角外观估计转化为全局线性最小二乘问题,无需迭代优化。
推荐理由:提出基于已知网格的闭式三角形 Splatting 框架,将渲染问题转化为全局线性最小二乘求解,显著降低计算与显存开销。
针对传统感知规划栈将行人、车辆和墙壁等同处理的缺陷,该研究提出一种模块化全机载管道,利用共享 BLIP 编码器生成场景描述与分割,结合深度信息在三维空间定位障碍物。
推荐理由:该工作提出在 Jetson Orin NX 上运行的轻量化 LLM 导航方案,通过缓存推理与检索增强实现人感知的安全避障。
论文指出世界模型规划器在部署时面临计划轨迹与实际执行不一致的问题,直接替换预测轨迹效果有限。作者提出 ExecutionBridge 方法,通过推断控制器特定的执行特征来适配原生自我潜变量展开,同时保持原计划轨迹和冻结的规划器、世界模型及奖励头不变。该方法在 NAVSIM 基准上对未见过的控制器配置和多款冻结规划器均能提升规划性能,尤其在驾驶场景复杂时增益显著。
推荐理由:针对冻结的世界模型规划器与控制器执行偏差问题,提出 ExecutionBridge 方法以适配执行特征。
针对能量受限的微空载体(MAV)在复杂环境中的导航需求,本文提出首个端到端事件驱动的神经形态导航范式,整合神经形态视觉、脉冲神经网络与神经形态处理器。该方法通过脉冲感知表征模块从事件流提取环境表示,再经脉冲导航模块利用引导学习与群体编码实现高效策略学习,最终输出可执行轨迹点。
英国航天局支持的 ISPARK 项目开发了结合有限体积热焊池模型与高斯过程代理的物理接地数字孪生,用于在轨维修前的工艺筛选。该原型在 UR5 机械臂仿真中验证了闭环控制策略,80% 的求解器响应落在预测区间内且查询延迟为 249 微秒。研究指出需开展热真空、低重力及硬件在环测试以进一步评估模型与控制器性能。
针对语言引导的 3D 功能区域定位中现有方法对未见对象泛化性差的问题,本文提出 BridgeAfford 框架以缓解查询特征与目标区域特征的语义差异。该方法通过交互区域对齐促进几何相似区域的跨对象表示学习,并利用视觉证据聚合细化注意力分布以引导查询至正确区域。实验表明该框架在 LASO 和 PIAD 数据集上优于现有方法,尤其在对未见对象的泛化性能方面表现突出。
推荐理由:提出 BridgeAfford 框架,通过交互区域对齐与视觉证据聚合缓解查询 - 目标语义差距,在 LASO 和 PIAD 数据集上展现对未见对象的强泛化能力。
论文介绍 Anvil 统一框架以解决具身空间智能中联合训练导致的监督碎片化问题。该框架包含 Anvil-Gen 异构数据飞轮、Anvil-Ben 场景对齐监督基准以及蒸馏出 9B 参数的 Anvil-MOPD 学生模型。
该论文提出 ACT3D 方法,研究视觉语言模型如何在仅接收单张图像输入的情况下,像人类一样主动探索三维空间并思考以回答问题。通过初始轨迹监督微调后,利用最终答案正确性驱动的强化学习训练,模型无需直接视点指令即可学会有效的探索策略。
针对蒸馏后的视觉 - 语言特征在部署时难以可靠定位用户指定目标的问题,本文提出一种无需训练的优化方案。该方法利用文本提示分割器,将检测到的目标区域内的视觉嵌入与目标文本嵌入进行凸组合注入,并通过闭式解确定最优系数以避免覆盖外观线索或破坏通用查询性。
推荐理由:该方法无需训练即可提升蒸馏语言地图对特定目标的定位能力,同时保持开放词汇查询性,并在机器人导航演示中验证了有效性。
该论文介绍了 HLR-AVSceneQA 基准和 HLR-LLM 模型,旨在解决现有视听大语言模型在空间感知与关系推理上的局限。HLR-LLM 通过增加双耳空间音频分支并采用包含思维链监督的课程学习进行训练,实验表明其在提升空间场景理解的同时未损害语义感知能力。材料为 NeurIPS 2026 预印本,提供了基准定义、模型架构及实验结果对比。
论文介绍 AVALON 框架,解决服务机器人进入用户熟悉但机器人未见的未测绘建筑问题。系统通过人类播撒的分层空间记忆、节点验证的拓扑执行及任务触发的人机记忆协同更新实现导航。
推荐理由:提出基于人类播撒分层空间记忆的拓扑导航框架,在无需现场建图条件下完成室内任务,实验显示比基线节省大量时间。
该系统利用集成 GNSS、IMU 及气压传感的可穿戴标签配合云端地图感知融合,解决室内外无缝定位难题。实验显示,在 LTE Cat-M 通信下,多名参与者行走约 1400 米路线时,室内平均误差为 1.32 米,室外为 3.30 米。平台包含数据库、地图工具及仪表盘,支持实时监测、地理围栏警报与安全生产力分析,具备低延迟与低功耗特性。
该论文提出了 GRASE 框架,旨在将捕获的真实环境视频转换为可编辑的 3D 场景并保留几何布局。不同于传统单步松耦合范式,GRASE 以多视图观测为持续参考,通过拟合建筑外壳、放置生成资产及迭代细化几何与位置来修正渲染证据与捕获不符的假设,从而解决误差传播问题。实验表明该方法在保持跨视图一致性的同时,优于包括 GPT6-Astra 在内的现有最先进方法。
针对基于大模型的空中视觉语言导航(VLN)代理查询成本高且难以自主终止的问题,本文提出 X-Fly 分阶段训练框架。该方法通过 Recovery DAgger 标记学习者访问的状态并平滑连接至专家片段及首次入区状态,随后利用 Flow-GRPO 联合优化块状流控制器与伯努利停止策略。
MuSTMM 数据集结合空间音频渲染与物理交互,覆盖 31 个不同建筑结构与物体布局的场景。新增的显式空间记忆模块融合地图特征与声音上下文,使导航策略成功率较现有方法提升 2.60%。代码与数据将在论文接收后开放。
该研究提出基于建筑 - 楼层 - 房间抽象的分层配送框架,通过扩展有容量车辆路径问题并建模跨楼层连通性与隐私敏感区约束,显著降低优化复杂度。系统在真实多传感器机器人平台上验证了可靠的多楼层配送能力,在提升路径合理性及整体效率的同时,实现了非交互式且符合隐私要求的自主运行。
PDR Sensor (PDRS) 是一款即插即用的黑盒行人 dead reckoning 模块,通过板载传感器融合为穿戴及物联网平台提供无缝定位更新。实验显示其在 1250 步内步态检测误差仅为 0.16%,行进距离误差为 1.87%,同时具备 2.5ms 低延迟与 52.35mA 低功耗特性。该方案通过软硬件协同设计降低技术门槛,助力开发者加速物联网原型开发并减少系统整合成本。
该论文针对动态高斯表示在重建小快动物体时易丢失的问题,指出单纯增加容量无效,关键在于高斯原语的时空分配位置与时间。作者提出两种互补策略:一是利用时序外观变化与重建误差识别欠重建区域,通过多视角观测在几何合理的 3D 位置初始化新高斯(Seed Injection);二是利用时序优化信号指导重定位高斯的时空放置(Temporal Biased Relocation)。
该研究提出 LICOA 框架,将投影光定义为具身动作,通过差速底盘与双自由度转向镜实现大范围移动与局部光束控制。作者构建了包含 150 个任务、7,500 个渲染集成的仿真语料库,并在真实环境中进行了 480 次闭环执行测试。
推荐理由:构建了移动空间增强现实平台与指令条件光动作模型,在真实环境中验证了将投影光作为具身动作的可行性。
针对主动型机器人需预判用户需求但易产生误判的问题,本文提出一种基于记忆的智能体框架。系统包含读取过程性辅助记忆(PAM)的 VLM 任务预测器和执行预测任务的 VLA 执行器。
该论文指出空间智能体在利用重建和分割工具时面临预测不一致和物体身份碎片化的瓶颈。作者提出 DeSpatial 框架,将空间理解明确分解为感知与推理两部分。其共享的 3D 感知工具包含联合分割深度共优化模块以消除单帧内的投影伪影,以及跨视角实例融合模块以整合多视角观测中的空间不连续片段。
推荐理由:提出将空间理解分解为感知与推理的新框架,通过联合分割深度优化解决多视角实例融合难题。
针对地学基础模型仅依赖下游任务性能评估而缺乏对物理特征敏感度的洞察问题,提出后验解释框架 PiCo。该方法通过耦合三维辐射传输模型与游戏引擎生成合成多光谱卫星观测数据,在嵌入空间中识别概念向量以揭示物理敏感度,并将嵌入投影至这些向量以量化预测中的概念重要性。
该研究针对无限时域下的周期性最优控制问题,推导了耦合非线性推进成本与动态信息增益的必要性条件。仿真基于切萨皮克湾盐度持续表征案例,展示了接近无穷大能量储备时的高速信息极限及优化速度剖面趋势。
该研究通过分析 PaliGemma2-3B、LLaVA-1.5-7B 等模型在合成与真实数据集上的注意力模式,发现其在处理否定陈述时未遵循类人注视规律。层析分析显示 PaliGemma2-3B 的注意力转移仅为副产品而非核心机制,且 LLaVA-1.5-7B 存在左侧空间偏差。下游任务评估表明所有模型在肯定与否定问题间均存在性能差距,需深入理解底层处理机制以缩小该差异。
arXiv 发布了一篇关于视觉语言动作(VLA)模型的研究论文,作者通过受控扫描、自然 rollout 和线性探针等方法,建立了 VLA 模型中七个任务相关概念的几何分类体系。
推荐理由:该文通过受控实验揭示了 VLA 模型中任务相关概念的几何形态,证实了关节限制等物理约束会塑造激活空间的形状。
本文针对多智能体机器人拦截任务,推导了预测点覆盖概率的解析公式及性能理论上限。研究发现,受限于分离约束,平面网格覆盖率上限约为 90.69%,体积上限为 74.05%;六边形堆积优于其他五种排列方式。
arXiv 预印本介绍 RIGen 框架,旨在解决生成式游戏中仅依赖视听预测难以维持长期后果的问题。该框架结合持久状态、可配置规则及上下文交互推理,利用 Xonotic 游戏数据集训练视听生成器,并进一步后训练得到交互式第一人称射击原型 Rigarena。实验表明该方法能实现玩家与生成世界之间更可靠的战斗结果和互惠互动。
该论文研究如何通过恢复模型内部的低维子空间结构来理解与控制具身智能行为。作者提出块稀疏特征提取器(BSFs),成功识别出感知、语言、本体状态等任务相关特征,并通过微调干预验证了因果性。此外,利用基于特征的数据归因方法,仅需屏蔽不到 1.4% 的训练 token 即可移除特定失败恢复行为,为理解与改变机器人行为提供了有效工具。
本文提出 WorldCast 基准,包含 320 个手动设计的案例以评估多步世界状态预测能力。实验显示 GPT-Image-2.5 System 在真实任务中得分 72.8,而开源模型最佳仅得 20.1,表明当前模型在处理复杂上下文与推理密集型任务时存在显著差距。
论文提出了 Intern-Decision 系列多模态决策模型(0.8B、2B 和 4B 参数),采用自回归掩码语言建模目标,在完整的助手 JSON 骨架中为每个字段放置决策占位符。
论文介绍 Athanor,这是一个在真实 GPU 上运行的开放智能体原生系统,旨在支持智能体的自主后训练研究(AutoPostTrain)。该系统赋予智能体完全的研究自主权,提供低摩擦工程工具、冻结评估服务、托管作业、去污染数据及持久化记录,且禁止使用外部教师模型。
推荐理由:Athanor 系统在沙箱环境中让 Claude Opus 5.5 智能体自主完成基座模型的后训练,首次演示了前沿智能体重组已知方法即可达到官方指令微调版本的效果。
针对视频世界模型在长序列生成中因 KV 缓存增长导致的效率下降问题,论文提出了 Velox,一种无需训练的注意力路由器。该方法利用流形切片(frustum slab)对应关系进行区域级上下文选择,将历史块表示为相机视锥体切片,并通过最近优先多变形技术获取当前块的深度信息。
针对长视界交互中终端奖励导致的信用分配稀疏及策略过时问题,本文提出 TreeOPSD 框架。该方法将交互回合视为树节点,从共享前缀分支替代续写并递归回溯终端奖励至隐式回合级信用;随后映射为基于似然比的有界教师分布参数,通过最小化与学生的发散恢复策略梯度方向并限制更新幅度。
Hugging Face Daily Papers 收录了论文 Persistent Planar Memory for Video World Models(NeurIPS 2026 接收)。
推荐理由:该工作提出用平面基元构建持久化 3D 记忆,在视频生成中实现紧凑且几何显式的深度与表面表达。
针对复杂基准测试运行成本高、迭代慢的问题,本文引入 EvalResearchBench(ERB),研究 AI Agent 是否能在给定材料、API 及预算约束下自动设计评估任务与评分器。实验对比了 9 名研究者与 13 个候选模型生成的评估器在 14 个目标基准上的表现,发现最佳评估器对约 75% 的候选对排序与目标一致,且开发集最优者未必在密封测试集上最优。
斯坦福大学和哥伦比亚大学联合发布了基于自进化工具库的机器人灵巧操作框架DexAgent,由李飞飞、吴佳俊等参与研究。该框架能将单条人类第一视角视频转化为多样化的机器人训练数据,在仿真环境中重建物体物理交互并生成复合物理约束的运动轨迹。
推荐理由:斯坦福与哥伦比亚大学联合发布DexAgent框架,利用AI Agent将人类视频转化为符合物理规律的训练数据,在11项真实任务中平均成功率达63.6%,是基线模型的3.5倍。