岩山科技联合港科大、CMU开源EdgeRock-4B模型
岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源了EdgeRock-4B模型,该模型基于Qwen3.5-4B改造,采用记忆岩锚(RMA)机制将每条序列的KV Cache固定在72 MiB,不随上下文长度增长。
推荐理由:岩山科技联合港科大与CMU开源EdgeRock-4B,通过固定内存机制实现长推理显存不涨且吞吐提升6倍。
岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源了EdgeRock-4B模型,该模型基于Qwen3.5-4B改造,采用记忆岩锚(RMA)机制将每条序列的KV Cache固定在72 MiB,不随上下文长度增长。
推荐理由:岩山科技联合港科大与CMU开源EdgeRock-4B,通过固定内存机制实现长推理显存不涨且吞吐提升6倍。
针对大曲率道路高速过弯时的车辆稳定性挑战,该研究开发了基于视觉的鲁棒无偏模型预测控制(OF-MPC)框架。数值仿真显示,itube-CILQR 算法计算耗时低于 5ms,优于 IPOPT 和 OSQP 求解器。该方法在未见过的交通场景中量化了多任务 UNet 感知模型的不确定性,为先进自动驾驶系统发展提供支撑。
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。
阿里巴巴集团旗下高德正式发布首个基于开放世界行为的全身基座模型λ0,该模型仅依靠人类行动数据即可让机器人学习移动、姿态与双手操作的全身协调。在SIMPLE仿真基准及多项真机评测中,λ0均取得SOTA表现,数据采集效率约为主流方法的3.4倍,真机任务成功率较最强对比基线提升22.5%。
推荐理由:高德发布首个基于开放世界行为的全身基座模型λ0,仅凭人类行动数据实现零样本迁移,并开源了相关硬件配置代码与HumanVerse数据样例。
模思智能和OpenMOSS团队开源发布基于5B参数DiT主干的生图模型MOSS-Image。该模型在训练数据中剔除AI生成图像以增强自然感,上线4天下载量超130万。
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。
论文研究如何在向大语言视觉模型(LMMs)教授新技能时避免遗忘先前的通用能力。实验发现,仅更新自注意力投影层或 MLP 门控与上采样层的微调策略,在保持学习能力的同时大幅减少了遗忘现象,性能优于全量微调及多种现有缓解方法。该结论在 LLaVA-OneVision、LLaVA-NeXT 和 Qwen2.5-VL 等多个模型系列上得到验证。代码将公开。
推荐理由:研究发现仅更新自注意力投影层或 MLP 门控即可在提升新技能学习能力的同时显著抑制遗忘,且无需回放或辅助参数。
该报告介绍了 WeVisOne-VL(WeChat Vision All-in-One),这是一个通过结构化下一词预测来统一物体级和像素级感知的强大视觉语言模型。
Hugging Face Daily Papers 转述了一篇 arXiv 论文,介绍 RynnUnify 这一 16B 参数规模的统一具身模型。该模型结合视频语言推理实现长视界视觉规划与物理预测,并通过强化学习扩展智能体能力以推断未观测状态,同时开发世界 - 动作扩展将理解转化为机器人控制。
推荐理由:该预印本介绍了 RynnUnify 统一具身模型,展示了其在视觉规划、物理预测及机器人控制上的实验结果与基准。
Dream Labs 宣布完成 9000 万美元种子轮融资并推出 Dream API,其旗舰模型 Dream-1 宣称无需额外数据即可跨硬件控制机器人执行抓取、折叠等任务。公司通过云端运行模型并提供微调服务,支持开发者连接带夹爪的机器人直接调用,同时开放 Playground 供在线测试。
中电信人工智能科技有限公司星辰通用人工智能实验室正式发布并开源意图理解专用模型 Xing4.0-29B-Intent,同步开放 275 万条训练语料、模型权重与推理镜像。
推荐理由:电信星辰实验室开源专用意图理解模型,在结构化输出与低延迟决策上优于通用大模型。
论文提出 VisFacor 基准,将 FRCT 心理学测试中的 20 项视觉子测试数字化,并设计了自动生成与验证无限测试用例的算法。该基准评估了包括 GPT、Gemini、LLaMA、Qwen 在内的 39 个前沿多模态大模型,结果显示最佳模型得分仅为 55.9%。
英伟达发布并开源了面向机器人数据集的数据引擎Flora,该系统由动作描述、时间分段和奖励三个模型组成,可将原始机器人视频转化为带时间戳的动作描述及过程/结果奖励。Flora基于Qwen3.5微调,在WGO-Bench等基准测试中表现优异,标注成本约为GPT-6 Astra的1/125(每小时0.72美元对比88.49美元),目前已用于训练GR00T系列模型。
推荐理由:英伟达开源Flora数据引擎,将机器人视频转化为高质量训练信号,成本仅为GPT-6 Astra的1/125。
千诀科技在首届2026物理AI与世界模型大会上正式发布预测式世界模型Polibrain。该模型不堆画面预测,专注物理规律与跨本体复用,支持四足、人形等多形态机器人适配。其核心技术包括多项式表征(提取关键变量)、因果记忆(筛选历史信息)及松耦合架构(分离世界理解与动作执行)。相关理论工作比LeCun团队相近研究早约一年,旨在解决具身智能泛化难题。
英伟达发布并开源了实时生成式手术世界模型Cosmos3-H-Dreams,该模型基于160亿参数基础模型开发,利用约526分钟真实腹腔镜胆囊切除术视频训练。通过教师 - 学生蒸馏和FlashDreams流式推理框架,模型仅需单张NVIDIA RTX PRO 6000 GPU即可实现实时交互,支持根据器械操作指令生成对应的手术画面及组织形变模拟。
推荐理由:英伟达开源了支持单卡实时推理的手术世界模型,将生成式仿真扩展至腹腔镜胆囊切除术场景。
上海AI实验室联合中国科学院金属研究所等机构发布自进化合金设计专家模型“书生·衍金”(AlloyEvo)。该模型通过自主设计方案、智能评估性能并沉淀经验,在航空航天3D打印工程钛合金研发中实现突破:样品抗拉强度达1817MPa,较现有基准提升12.8%,均匀延伸率持平。AlloyEvo已集成至书生·端砚科学发现平台,支持高温合金、特种钢等新材料体系的设计与研发。
推荐理由:上海AI实验室联合多方推出自进化合金设计专家模型AlloyEvo,在工程钛合金研发中实现抗拉强度提升12.8%的突破。
本文审计了概念瓶颈模型(CBMs)和概念嵌入模型(CEMs)在鸟类识别任务中的准确率来源。研究发现标注噪声无法解释现有结果,且模型预测主要依赖内部嵌入中的非局部特征而非视觉证据。通过限制感受野至局部补丁可显著降低从概念分数恢复的准确率,表明当前评估指标可能误导对模型可解释性的判断。
量子位报道了 MemTensor 开源的 MemT 1.0 系列模型(Nano 与 Flash),该模型将经验编码为内部动态状态,通过专门的记忆分支参与计算。在 SWE-bench Verified 任务中,MemT-1.0-Nano 平均成功率为 69.73%,优于无经验基线;在迷宫探索和信息更新场景中展现了更好的长期记忆复用能力。
推荐理由:MemT 1.0 系列将记忆编码为内部动态状态,在 SWE-bench 等基准上表现接近文本经验且推理成本更低。
美国具身大脑公司 Dream Labs 宣布完成种子轮融资,并发布世界动作模型 Dream-1。该模型通过预测末端执行器位姿实现零样本泛化,可控制从未见过的双臂平行夹爪机器人执行新任务。Dream Labs 正式开放 Dream API,提供每小时 3 美元的调用服务及仿真微调选项。测试显示其在性能、速度和成本上具备优势,但零样本成功率在未见任务中约为 9%。
推荐理由:Dream Labs 完成融资并开放 Dream-1 世界动作模型及 API,支持零样本跨机器人控制与仿真微调服务。
大晓机器人正式发布视觉空间锚定增强型具身基模型ACE-Brain-0.6。该模型参数规模为9B,基于Qwen3.5-9B构建,通过冻结视觉编码器并对语言模型进行监督微调。
该论文提出了 SF-Mamba,一种新型视觉 Mamba 架构,旨在解决现有视觉 Mamba 模型在双向信息流处理上的非因果交互限制以及在短 token 长度下计算速度较慢的问题。
该论文提出 TempoMoE,一种无需训练的框架,通过 tempo-contrastive routing analysis 识别快慢思考专家并动态调整路由权重以适应样本难度。在 Kimi-VL、Qwen3-VL 和 ERNIE-4.5-VL 上评估显示,相比 Vanilla 方法,TempoMoE 在保持准确率提升的同时显著减少输出 Token 数。
该研究实证分析了 Gemma-4 12B 和 Inkling-Small 两个近期提出的无编码器多模态大模型,发现其早期层实际上充当了“隐式编码器”,能以跨模态上下文不变的方式编码音频和视觉输入。研究还表明,在这些早期层中独立对模态进行编码,从第一层开始联合编码能达到相同的准确率。通过逐层探测分析,发现这些隐式编码器的行为与几种流行的专用编码器模型相似。
论文针对扩散 Transformer(DiT)在压缩模型与自适应推理结合时出现的质量退化问题,提出 TamedFlow 方法。该方法通过跨架构特征对齐、近恒等速度对齐头及随机化展开监督训练压缩 DiT;在推理阶段利用轻量级轨迹估计器路由草稿,接受则跳过教师计算,拒绝则回滚并接收一次教师救援步骤。
arXiv 发布了一篇关于 Modaliff 模型的预印本论文,提出了一种基于 Token 的扩散模型架构,旨在实现文本、图像和音频之间的灵活互译。该模型通过统一的 Token 序列整合条件与目标,利用每 Token 属性消除歧义并保留各模态的内部结构,无需任务特定的架构变更或共享跨模态潜在空间即可支持多种生成任务。
PACE 是首个专为原生多模态大模型(Native MLLMs)设计的视觉 Token 压缩框架,利用多维解耦与帕累托优化在保留 25%-50% 视觉 Token 时实现近无损性能并降低超 2 倍 FLOPs。该工作基于 NeurIPS 2026 接收论文提出,针对 ViT-free 架构特性解决了现有方法不适用的问题,显著提升了推理效率。
该论文介绍 DUET 框架,通过仅在机器人接口处结合指令,使下肢运动控制器(基于强化学习)与上肢操作控制器独立运行。实验在宇树 G1 硬件上验证了该方法,展示了与 GR00T N1.7 和 pi0.5 两个不同模型配对的兼容性。
推荐理由:该研究提出 DUET 框架,实现下肢运动与上肢操作的解耦控制,支持在不重新训练平衡策略的情况下更换视觉语言动作模型。
谷歌开源了名为 Harness² 的框架,旨在解决递归自我改进(RSI)在真实开放世界中缺乏标准答案和过度拟合的问题。该系统采用双层递归架构:任务级递归通过提议 - 探测 - 合成机制在无裁判环境下进行行为对比以修补缺陷;改进级递归则将调试记录沉淀为元能力存入经验库,供后续任务检索复用。
推荐理由:谷歌开源 Harness²,通过双层递归架构实现 Agent 在运行中的自我修补与经验沉淀,显著提升了多基准任务表现。
新加坡具身创企 Ropedia 联合南洋理工大学等机构发布了跨本体移动操作世界模型 Ropedia W0。该模型基于视频扩散架构,通过统一的动作表示(相机运动与投影骨架)实现人类、机械臂及人形机器人间的预测能力迁移。
推荐理由:该团队构建的跨本体世界模型在五大评测基准中均排名第一,且未经后训练即可超越全量数据训练的竞品,展示了显著的少样本优势。
NVIDIA CUDA Tile (cuTile) 作为基于 Python 的 DSL,利用高级硬件能力自动优化 tile 级 GPU 编程以交付峰值性能。该模型通过抽象线程和 warp 级调度,使开发者能用 Python 编写 GPU 内核并享受编译器自动优化带来的加速效果。
中国电信人工智能研究院与伽马智能联合推出NEXUS,这是一个面向人形机器人的跨地形感知运控基座模型。该模型将广泛的全身行为覆盖与环境感知相结合,让机器人在保留动作特征与意图的同时,根据所处地形自主调整身体姿态与接触。
推荐理由:中国电信与伽马智能联合提出NEXUS基座,通过仿真生成跨地形配对数据并采用两阶段训练,实现人形机器人在保留动作意图下自主适应复杂地形。
大晓机器人发布全新视觉空间锚定增强型具身模型ACE-Brain-0.6,该模型基于Qwen3.5-9B架构构建,重点通过规模化、多样化及可验证的空间监督数据提升目标识别与交互锚定能力。
针对统一自回归模型在多模态理解与图像生成任务中因目标分歧导致的干扰问题,本文提出 UniDecouple 框架。该方案基于任务感知混合专家架构,保留共享注意力层以维持上下文依赖,引入任务专用前馈网络专家来缓解优化冲突,并通过分层路由与混合协作机制平衡知识保持与新任务适应。实验表明该方法在同等激活预算下提升了持续学习性能。
论文提出 PreciseEdit 框架,解决现有单步文本到图像编辑中因全局平滑或均匀弱化传输场导致的结构失真与背景漂移问题。该方法无需训练且模型无关,利用双噪声尺度分解策略,在高噪声尺度下执行强目标导向的语义传输,在低噪声尺度下探测方向一致性与空间结构,从而在增强目标语义对齐的同时保持背景保真度与结构一致性。实验表明该框架在 PIE-Bench 上达到最先进性能。
该材料介绍了 Xiaomi-Lens-0,这是一个基于 Qwen3.5 构建的 4B 参数多模态大语言模型(MLLM)。针对现有文本监督无法指定支持答案区域的痛点,该模型通过轻量级解码器结合视觉编码器补丁特征与视觉潜变量,直接从自身视觉表示中预测掩码。
推荐理由:该报告介绍了一个基于 Qwen3.5 的 4B 参数多模态大语言模型,通过轻量级解码器实现掩码预测,在指代理解与分割任务上优于基线。
针对多臂协同操作需求,本文提出 VLA-Fabric,在保留各臂局部感知与动作所有权的同时,通过策略间显式交互实现协调。研究系统分析了交互发生位置、同伴信息聚合方式及学习机制,并在不同架构中验证了该原则的通用性。在仿真与物理实验中,由三支或四支手臂组成的团队在所有四项物理任务上,全量交互模式相比独立训练策略将成功率提升了 16% 至 40%。
推荐理由:该文提出 VLA-Fabric,通过策略间显式交互提升多臂协作成功率,物理实验显示效果优于独立训练。
该工作针对扩散模型在可控生成中推理慢的问题,提出先微调原模型部分层构建 DeltaControl 作为教师,再经步蒸馏得到 FlashControl。后者支持空间条件控制且仅需单次前向传播即可生成,性能匹配双分支方法。论文已接受 NeurIPS 2026,代码与数据待开放许可。
该论文提出 JAVIS 端到端流式框架,通过共享大语言模型与联合精炼头实现音视频统一表征生成,显著降低初始延迟并提升口型同步与表情适配性。作者还发布了包含 334 小时数据的合成语料库 JAVIS-Syn,以补充情感丰富的多轮对话数据。材料为预印本版本,未提及同行评审状态或具体部署场景。
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。
DeepSeek 正式发布新模型 DeepSeek-V4.1-Flash-1017,该版本在代码与 Agent 任务基准测试中表现提升,同时优化了运行时间与 Token 消耗。
推荐理由:DeepSeek-V4.1-Flash-1017 在基准测试与 Agent 任务中提升性能并降低 Token 消耗,同时开放自研搜索 API 以支持网页抓取与分析。