跳到正文
10月5日周一
  1. arXiv · 机器人与计算机视觉82

    GlanceWAM:稀疏测试时想象的世界 - 动作模型

    论文介绍 GlanceWAM,一种基于共享视频 DiT 骨干的异步世界 - 动作模型架构。该方法将视觉想象解耦为后台慢速时钟运行的异步提议器,在潜在空间解码动作块,从而打破同步生成带来的延迟瓶颈。

    推荐理由:该工作提出 GlanceWAM,通过异步解耦视觉想象与动作控制,在 RoboCasa 和 LIBERO 基准上实现实时推理与高成功率。

  2. arXiv · 机器人与计算机视觉65

    4DCodeBench:基于代码生成的动态场景逆图形智能体评测基准

    论文介绍 4DCodeBench 基准,旨在通过代码生成评估智能体从视频中重建动态场景的能力。研究涵盖变形、流体流动和断裂等物理现象的合成场景,发现前沿模型在静态重建上的优势尚未转化为对复杂动力学的可靠重建。该基准为追踪智能体通过代码解释世界动力学能力的进展提供了测试平台。

  3. arXiv · 机器人与计算机视觉68

    CORNAV:基于建筑图纸与进度的机器人导航推理框架

    针对建筑行业劳动力短缺与安全挑战,本文提出 CORNAV 框架,在不依赖建筑信息模型(BIM)的情况下,利用 2D CAD 图纸和进度表实现蓝图感知的导航。系统通过层级开放词汇 3D 场景图对齐建筑蓝图以定位物体,将项目进度转化为时间变化的导航约束,并利用基于大语言模型的安全模块在规划前过滤危险区域。

  4. arXiv · 机器人与计算机视觉53

    从自主演示生成到稠密语言监督:弥合前沿推理与机器人执行的鸿沟

    针对前沿大模型推理延迟限制实时控制的问题,研究提出了两种互补方法:一是利用前沿模型结合纠错片段自主生成演示以训练快速本地策略;二是引入涵盖初级、原子和复合三个层级的稠密语言监督。在 RoboCasa 365 和 BEHAVIOR-1K 等长周期任务中验证了该方法能提升指令遵循可靠性,并在固定时间预算的填字任务中评估了两者的结合效果。

  5. arXiv · 机器人与计算机视觉51

    WING:基于交互中心谱隐变量引导的世界动作学习框架

    针对从第一人称视频中迁移机器人操作知识的难题,本文提出 WING 框架,通过分离观察者运动与手物交互并蒸馏交互成分,利用频域中慢变时态结构对齐人与机器人的共享低频分量以指导动作生成。该方法在 LIBERO、RoboTwin 2.0 和 RoboCasa-GR1 等基准上分别达到 99.20%、93.80% 和 57.7% 的平均成功率,并在多种泛化设置下的真实世界操作任务中表现强劲。

  6. arXiv · 机器人与计算机视觉82

    AVL-JEPA:防止联合嵌入预测架构世界模型中的因果动力学信息坍塌

    论文指出 JEPA 虽能预测高层语义动态,但易丢弃动作的物理后果导致信息坍塌。作者提出 AVL 方法,利用执行动作作为动力学锚点并引入视觉不变性路径,强制模型保留并利用因果动力学信息。实验在四个机器人控制任务上验证了该方法在视觉扰动下显著提升成功率且保持清洁环境性能。

    推荐理由:针对 JEPA 在保留物理因果信息上的失效,提出动作锚定与视觉不变性路径的改进方案。

  7. arXiv · 机器人与计算机视觉82

    XGenAct:基于跨任务生成的几何增强世界动作模型

    arXiv 论文发布 XGenAct 模型,该工作旨在解决现有世界动作模型在机器人操作中对空间理解不足的问题。作者提出将 RGB、深度、法线和功能分割统一表示为 RGB 视频,利用单一视频扩散 Transformer 进行跨模态时序预测,无需特定模态的独立头。

    推荐理由:该预印本提出通过确定性编码器将深度、法线和功能分割统一为 RGB 视频,利用单一扩散 Transformer 进行跨模态时序预测。

  8. arXiv · 机器人与计算机视觉75

    MobiAgent:面向长视界移动操作的递归策略自改进框架

    论文介绍 MobiAgent 框架,旨在解决长视界移动操作中累积误差与运动控制干扰问题。其内环通过视觉语言模型进行滚动规划与视觉反思,利用流匹配专家执行原子技能以实现鲁棒恢复;外环则自动对部署流程进行分段验证、聚类发现新技能并持续微调技能库,无需人工标注。

  9. arXiv · 机器人与计算机视觉82

    NAVA-WAM:基于视频的原始动作先验学习用于世界动作模型

    论文介绍 NAVA-WAM 方法,旨在解决世界动作模型依赖动作标注数据可扩展性受限的问题。该方法直接从仅含观测的视频中预训练动作策略,无需间接表示迁移或单独的动作潜变量模型。

    推荐理由:提出 NAVA-WAM,通过原生动作先验直接从观测视频预训练策略,无需动作标注即可实现机器人控制。

  10. arXiv · 机器人与计算机视觉82

    KungfuAthleteBot:从视频学习高动态人形运动及统一鲁棒恢复

    论文提出 KungfuAthleteBot(KAB)框架,旨在解决将视频中丰富的高动态人类动作迁移到人形机器人时的物理不一致、缺乏执行信息及无法处理失败与恢复三大难题。

    推荐理由:该框架提出物理引导的轨迹修正与伪低动能采样机制,解决视频数据物理不一致问题,使机器人能从视频学习高动态动作并实现约 0.7 秒的统一策略跌倒恢复。

  11. arXiv · 机器人与计算机视觉73

    VISTA:一种用于接触丰富操作的等变视觉 - 触觉扩散策略

    针对接触丰富操作模仿学习需要高质量专家数据的问题,论文提出了 VISTA,这是一种工作空间级别的等变视觉 - 触觉扩散策略。该方法将视觉和触觉观测投影为球形 token,通过置换等变的球谐融合注入触觉接触线索,并利用末端执行器方向旋转融合后的谐波表示,从而条件化一个等变扩散策略以预测空间一致的动作。

  12. arXiv · 机器人与计算机视觉72

    物理量是否存在于激活中?视频扩散模型内部物理量的定位研究

    该论文探究视频生成模型(世界模型)是否内化了物理原理。作者对视频扩散 Transformer 的内部表示进行探测,发现运动学和刚体动力学等物理量在去噪过程早期即可高精度线性解码,且信息集中在物体相关 token 中并具备部分外推能力。研究还表明这些探测方向可作为 steering vectors 用于改变模型输出。材料为预印本论文,未涉及真实机器人部署或具体产品发布。

  13. arXiv · 机器人与计算机视觉48

    TerraVis:通过 MLLM 工作流评估文生图的世界一致性

    TerraVis 框架引入多阶段评估流程,利用 MLLM 检测并量化文生图模型在物体、交互及场景层面的世界一致性违规。该工具在两个基准测试上对开源与专有模型均实现最强的人机相关性,揭示高美学分数模型仍存在显著物理不合理性。代码已公开,论文已被 NeurIPS 2026 接收。

  14. arXiv · 机器人与计算机视觉74

    PointWAM:用于灵巧操作的 3D 世界动作建模

    论文介绍 PointWAM,一种将世界分解为场景和手并在共享时空坐标系中预测两者 3D 点轨迹的模型。该方法在大规模人类演示视频上进行预训练,无需任务特定的物体或关键点选择。实验显示,结合场景轨迹监督后,该模型在 DexJoCo 基准上的平均成功率提升显著,并在真实机器人上优于强视觉语言动作模型。材料为 arXiv 预印本,未提及同行评审状态或开源代码仓库。

  15. arXiv · 机器人与计算机视觉74

    Around the World:基于 270 g 连续旋转四足机器人的统一学习运动

    论文提出了一种在 270 克级 MiNI-Q 四足机器人上运行的闭环学习运动方案,利用连续旋转关节的构型范围,通过单一姿态条件强化学习策略实现直立行走、倒立行走及着陆恢复。该网络仅约 10 万参数,能跟踪前向速度并在释放试验中成功恢复行走,支持四种可互换脚部几何形状和四种室内表面。研究包含硬件实验与仿真消融分析,验证了表征选择对利用平台运动范围的有效性。

  16. arXiv · 机器人与计算机视觉58

    SymRegFlow:无新视角监督下的多视角一致视频世界模型

    论文 SymRegFlow 针对现有基于流匹配的多视角世界模型受限于固定相机机架的问题,提出一种无需真实新视角 RGB 监督的对称正则化框架。该方法通过几何变换将源视图映射为噪声锚点,结合掩码双锚点监督与跨锚点去噪输出一致性来缓解误差。

  17. arXiv · 机器人与计算机视觉72

    RoboChemGym:面向长周期化学操作的协议驱动生成式仿真框架

    针对具身智能在复杂化学实验中缺乏真实数据且现有仿真难以满足严格流程约束的问题,论文提出了 RoboChemGym 框架。该框架利用自改进任务合成机制,自主生成了与真实实验协议对齐的高保真操作演示,能够可靠地生成超过 10 步交互的专家轨迹。

  18. arXiv · 机器人与计算机视觉82

    CriticHack:评估机器人策略优化下的视觉奖励风险

    该研究指出,学习到的视觉奖励模型在优化机器人策略时,可能同时提升任务成功率与错误对象失败率,导致监控信号失真。通过在抽屉操作任务上微调扩散策略并对比不同训练信号,实验证实了这种放大效应源于特定分布偏移,且现有成功终止配方存在继承性误差。作者提出冻结结果验证器可将优化导向正确目标。

    推荐理由:揭示视觉奖励模型在机器人策略优化中可能放大错误对象失败的风险,并提出冻结结果验证器作为修正方案。

  19. arXiv · 机器人与计算机视觉83

    Spatial Memory Intelligence:赋予世界模型以理解驱动的长期记忆

    这篇论文提出了 Spatial Memory Intelligence (SMI),这是首个系统性地利用理解模型来管理长视频世界模型中空间记忆的框架。针对记忆序列增长和结构复杂化的挑战,SMI 引入了四个协同的原子操作:空间聚类、簇内稀疏化、动作感知检索以及可靠性感知过滤。实验表明该方法在多种基线、基准和世界模型骨干网络上均有效,显著提升了记忆稀疏度、生成稳定性和空间一致性。

    推荐理由:该框架首次将理解模型用于长视频世界模型的时空记忆管理,通过聚类与稀疏化操作提升生成稳定性。

  20. arXiv · 机器人与计算机视觉83

    Keep the Effect, Drop the Actor:可编程效果 - 执行世界动作模型

    arXiv 论文介绍 PEWAM 模型,该模型将机器人演示中的物体变化编译为独立于操作臂的效果程序(3D 关键点轨迹、持握点及终态配置)。在 LIBERO-Goal 任务中,基于单一演示的程序完成 40/90 集数,优于目标图像或语言条件的方法;在 Meta-World 部分类别上超越现有最佳结果。该程序支持人工编辑(平移终端状态、旋转接触点),且无需重训练即可在四款机械臂上运行。

    推荐理由:该工作提出 PEWAM 世界动作模型,将机器人演示编译为可编辑的效果程序,实现从效果到执行的闭环推理与跨机械臂复用。

  21. arXiv · 机器人与计算机视觉76

    World-Calibrated Proposal-to-Action Flow for Vision-Language-Action Models

    论文提出 ProAct 框架,针对现有基于流的 VLA 策略因生成源未受近期执行或未来演化条件约束而丢失局部连续性的问题,引入轻量级提案专家与前瞻性世界专家。前者将近期动作转化为场景感知假设以保留运动连续性,后者预测任务一致的潜在未来并校准各向异性生成源。

    推荐理由:提出 ProAct 框架,通过世界校准的提案到动作流解决生成源不可预测问题,在仿真与真实任务中提升性能并降低推理延迟。

  22. Hugging Face Daily Papers78

    Rationale-Guided Policy Optimization:基于自适应推理脚手架的策略优化方法

    针对大语言模型强化学习中奖励稀疏导致优化停滞的问题,本文提出 Rationale-Guided Policy Optimization (RGPO) 框架。该方法将真实推理过程作为临时脚手架辅助模型生成改进响应,随后仅将高奖励的自生解法转移回无引导设置,无需依赖同格式的非策略数据。实验表明,该框架在文本及视觉语言推理任务中均能提升性能并稳定强化学习训练。

    推荐理由:提出利用自适应推理脚手架缓解强化学习奖励稀疏问题,在文本与多模态任务中均优于基线。

  23. Hugging Face Daily Papers72

    TIDES:一种具有隐式时间感知能力的选择性状态空间模型

    该论文提出了 TIDES,这是一种改进的选择性状态空间模型(SSM)变体,旨在调和选择性与连续架构的矛盾。通过将输入依赖性从步长转移到对角状态矩阵,TIDES 在保持每 token 高表达力的同时,原生支持不规则时间戳处理。研究在新型“Fading Flash”基准测试及大规模数据集上验证了其在时间序列分类和 ODE 回归任务中的性能优势。

  24. Hugging Face Daily Papers42

    Trace2Env:从痕迹到智能世界模型,实现无需重建系统的交互式环境仿真

    Trace2Env 框架利用历史交互痕迹构建包含环境架构与行为知识的可复用“世界书”,支持任务代理进行状态感知模拟。该方法在九个环境中提升了观测保真度与长程交互一致性,使多轮次生成的动作在真实环境重放时保持有效。该研究确立了无需重建原执行系统即可构建逼真环境副本的新方向,论文已上传至 arXiv 待注册 DOI。

  25. Hugging Face Daily Papers53

    MiniCorp:AI 代理企业的最后一公里——面向企业 AGI 的办公模拟器

    MiniCorp 是一个用于研究 AI 代理如何集体运营公司的办公模拟器,旨在解决企业级通用人工智能(AGI)所需的纵向数据稀缺问题。该系统连接外部市场世界与内部代理决策世界,模拟客户、竞争对手及动态市场机制,并记录代理间的沟通与战略决策。

  26. Hugging Face Daily Papers82

    结构化 MoE 专家选择以适配智能体强化学习

    该研究针对长程 LLM 智能体常用稀疏混合专家(MoE)模型但行为与结构协同设计不足的问题,发现专家路由在语义相似操作间存在重叠特性。作者提出分层路由控制框架,鼓励轮次级专家选择对齐智能体操作并正则化 token 级选择以维持局部一致性,同时引入熵门控机制解决后训练稳定性问题。

    推荐理由:原文提出分层路由控制框架,解决智能体强化学习中 MoE 专家选择与轨迹结构不匹配问题,在基准测试中成功率提升超 10 个百分点。

  27. Hugging Face Daily Papers68

    Minimal Witness Reinforcement Learning:基于黑盒验证器的最小充分见证强化学习方法

    论文提出了 Minimal-Witness Reinforcement Learning (MWRL) 框架,旨在识别产生特定结果的最小充分条件集合(即最小充分见证)。该方法将问题形式化为从策略采样成功提案的集合,并通过信用分配机制统一了极小性与替代方案恢复的需求。实验表明,MWRL 能够利用验证器反馈学习见证族,而标准方法往往只能返回冗余超集或单一解。代码已开源。

  28. Hugging Face Daily Papers82

    CLIFT:面向 Web Agent 训练与测试时扩展的共形自验证

    论文介绍 CLIFT 方法,通过共形自验证解决强化学习中奖励稀疏及外部裁判成本高的问题。训练中利用 URL 条件证据一致性筛选信号并赋予信任权重,将自证分数融入每步奖励;测试时将认证库冻结用于共形轨迹选择,在无需调用外部裁判的情况下实现保守的多数投票决策。

    推荐理由:CLIFT 提出基于共形自验证的训练与测试时扩展方法,利用低成本自证信号替代昂贵的外部裁判,在 WebArena 等基准上实现开源模型的最优性能。

10月4日周日
  1. Hugging Face Daily Papers82

    EVISKILL:将技能进化锚定在可复现的证据上

    论文介绍 EVISKILL 框架,旨在让大语言模型智能体在不更新模型参数的情况下,从交互经验中累积和提炼可重用的程序性知识。该框架将执行观察组织为“可复现证据卡片”,并在编辑与上下文之间建立显式链接。

    推荐理由:提出 EVISKILL 框架,通过可复现证据卡片组织执行观察,在更新参数外积累程序性知识并验证编辑。