SIFR:稳定有符号流强化学习
针对基于奖励的流模型微调存在的不稳定性和分布坍塌问题,论文提出了 Stable Signed Flow Reinforcement (SIFR) 方法。该方法利用有符号优势替代奖励权重以提供缺失的不拟合信号,并通过拉格朗日乘子约束相对于参考模型的速度漂移来稳定更新过程。
针对基于奖励的流模型微调存在的不稳定性和分布坍塌问题,论文提出了 Stable Signed Flow Reinforcement (SIFR) 方法。该方法利用有符号优势替代奖励权重以提供缺失的不拟合信号,并通过拉格朗日乘子约束相对于参考模型的速度漂移来稳定更新过程。
Flex-RSI是一个针对视觉和机器人任务的智能体递归自我改进基准。该基准允许智能体在固定预算下利用反馈改进其解决方案及自身架构(包括提示词、工具和记忆)。评测涵盖感知、推理、机器人操作、3D重建等多个领域,发现当智能体构建自身解决方案时自我改进最有效,且编辑执行器本身对增益有显著贡献。
推荐理由:Flex-RSI基准评测了智能体在视觉与机器人任务中的递归自我改进能力,发现编辑执行器本身对提升效果至关重要。
该论文在 arXiv 发布,介绍了对 NanoVDB 数据结构的两项基础改进:动态 GPU 原生拓扑更新和体素顺序访问范式。前者通过位并行算法实现了形态学膨胀、网格合并等动态操作;后者将活跃体素流式传输为线性序列,消除了树遍历需求。这些贡献打破了原有只读限制,使其适用于动态几何过程与仿真,并在三维重建、流体模拟等基准测试中进行了评估。
推荐理由:原文介绍了动态拓扑更新与体素顺序访问范式,使 NanoVDB 成为动态 GPU 仿真的高性能主表示。
该研究将基于 YOLO26n 检测与提示分割的黄瓜长度测量流水线部署于 NVIDIA Jetson Orin Nano 和 Raspberry Pi 4,并与 RTX 3050 Ti 工作站对比。
推荐理由:原文给出了 RGB-D 黄瓜尺寸测量在 Jetson Orin Nano 与 Raspberry Pi 4 上的精度、吞吐与能耗实测数据,为低算力边缘部署提供选型依据。
Frontier3DBench 是一个统一的基准,包含 145 个任务,覆盖物体、场景和交互式开放世界三个维度的创建,联合评估外观、结构和行为。实验涉及 11 种模型 - 封装配置,结果显示 GPT-6.1-sol 在物体和场景层级领先,整体得分最高为 66.02/100;GPT-6-astra 在交互式世界构建中表现最佳。
论文 ActPrune 提出一种无需训练的视觉 Token 剪枝方法,将剪枝决策提前至视觉编码器之前,利用机器人上一时刻预测的动作作为几何先验。该方法在固定第三人称视角保留机械臂轨迹与语义锚点,在腕部视角剔除经动作补偿后不变的区域。
VoluCompose 是一种免训练、模型无关的框架,旨在解决处理完整医学体积图像成本高昂的问题。该方法将内容选择与 Token 预算分配解耦,利用双曲 Token 组合模块和容量控制模块优化视觉编码器的注意力分布。
推荐理由:VoluCompose 提出免训练框架,在保留 22.78% 视觉 Token 时质量达未压缩参考的 121.68%,显著优于基线。
ARM Institute 宣布其成员联盟已扩展至全国超过 500 家组织及数千名专家,旨在通过采纳机器人与物理 AI 推动美国制造业领先地位。该机构正筹备于 11 月 17 日至 19 日在匹兹堡举行的第十届年度成员会议以庆祝这一里程碑。联盟涵盖制造商、国防承包商、技术提供商及高校等多元主体,共同开展数百个技术项目并支持劳动力发展。
该技术报告定义了具备持久状态和因果一致性的生成式世界模型框架,并推出 WorldFoundry 开源基础设施以支持视频、3D 及具身动作系统的可复现推理与评估。
推荐理由:该报告提出统一基础设施以支持视频、3D及具身智能系统的可复现推理与评估,涵盖感知锚定、持久状态建模等核心要素。
论文提出 Horizon-Scalable Q-Learning (HQL),旨在解决离线数据集中任务视界增长导致的价值函数估计困难问题。该方法通过自动平衡单步和多步回报,仅在目标值不低于 BC 策略采样动作时扩展目标,从而避免偏差并兼容流与扩散策略。实验表明 HQL 在组合锁任务和长视界基准上优于现有方法。
论文提出 SwarmEvolve 框架,通过数百个低成本智能体在潜空间内不解码为文本进行推理,并利用 KV Cache 共享信息以加速程序搜索。该框架引入新颖性过滤器和自然交叉机制,在数学发现和科学计算等 21 个问题上达到最优解所需时间仅为其他先进框架的数分钟,且部分问题优于 AlphaEvolve 使用前沿大模型找到的方案。
PPIO 沙箱把独立执行环境封装为开箱即用的 API,解决 Personal Agent 需常驻、主动推进及动手能力的架构难题。该方案支持冷启动平均不到 200 毫秒,实测 25000 并发下成功率 99.8%,提供暂停恢复与克隆功能以保障任务长时运行。作为国内首款兼容 E2B 接口的沙箱,其上线一年创建规模增长超 120 倍,每日运行量达上百万次。
第五届多多农研科技大赛中,“莓立方”团队在 170 天内建成占地 50 平方米、含 110 条风道的国产智慧草莓工厂,虽获大众品鉴第二名但终评获第三名。赛事采用双重检验机制,由大众评审品尝口感、专家评审评估商业可持续性,最终比种植成果与能耗成本。
论文提出 Khora 框架,解决现有方法在固定智能体数量下训练的局限性。该架构将世界状态演化与视觉渲染解耦,通过统一渲染接口查询智能体特定观测,实现跨视角一致性且无需重训练即可支持推理时任意数量的智能体扩展。定性实验显示该方法能泛化到未见过的智能体数量并保持视觉质量与多智能体一致性,并实现了实时交互式开放世界仿真系统。
XYScanNet 提出了一种结合轻量级特征融合模块的视觉状态空间架构,通过切片扫描策略解决传统 Mamba 方法忽略局部像素依赖的问题。实验显示该模型在保持竞争扭曲指标的同时,相比最近竞争对手将 KID 提升了 17%。论文已被 CVPRW 2025 接收,当前版本为 arXiv:2412.10338v4。
该研究针对多步采样器主导训练成本的痛点,提出了 FewStepRL 框架,系统地将强化学习目标适配至少步扩散模型。方法包含三个核心阶段:将目标转换至 x-空间以统一策略预测基准;分解梯度为自回归与奖励增强项以降低计算复杂度;利用模型自身或辅助网络恢复瞬时速度以完成适配。
该论文提出将 LoRA 适配器视为一种新的数据模态而非成品工件。研究团队在 NeurIPS 2026 Workshop on Neural Network Artifacts as a New Data Modality 上提交了预印本,训练了基于 Transformer 的自编码器映射到潜在空间。
该研究通过多模态法官对 371 张动机与框架图进行六维评估,其中 369 张经源约束修订后通过保真度检查。结果显示平均清晰度提升 0.428 分但美学连贯性下降 0.111 分,支持研究者主导设计、AI 辅助探索且作者保留责任的结论。相关图谱与评估记录已公开提供下载。
论文提出了 EgoGeneralist 框架,旨在解决现代视频模型缺乏度量三维空间人体动作表示的问题。该工作利用预训练视频生成器,结合角色自适应动作渲染器和跨流动作 - 视频耦合机制,实现了动作条件的第一人称视频生成、姿态估计及联合生成等五项任务。尽管仅在受控实验室录制数据上进行适配,该方法在未见场景和交互中展现了有效的动作控制与视觉质量,成功桥接了预训练的视觉知识与度量三维人体运动。
PACE-NAS 框架在 Grove Vision AI V2(Ethos-U55)上实现光流模型搜索,将峰值 SRAM 降低 18%。最快变体 MCUFlowNet-S 比重训 EdgeFlowNet 快 1.76 倍且误差仅增 1.6%,仿真森林飞行以 2 m/s 速度无碰撞达成目标的成功率达 51.5%(基线为 41.8%)。代码已开源,论文提交至 IEEE ISCAS 2027 待审。
论文提出 HITCH(Harness Interfaces To Command Humanoids),一种让 VLM 控制人形机器人的接口,感知端返回图像中任意点的 3D 位置,执行端将髋部、躯干、手部、行走和注视指令转化为全身运动。
推荐理由:提出 HITCH 接口让 VLM 通过全身 harness 控制人形机器人,微调后在无特定轨迹下完成 51% 任务,加五条轨迹后 SIMPLE 成功率升至 95%,并在真机 G1 上实现无真实训练数据的搬运行走。
InnerLogic-Surg 是一个由数百万张手术图像持续预训练得到的开源手术视觉编码器家族(参数量 21M--300M),数据源自约 2900 小时的互联网手术视频。
推荐理由:该工作通过持续预训练构建了开源手术视觉编码器家族,在多项基准任务中表现最优,为手术图像分析提供了可迁移的强基座。
针对现有手语生成方法依赖单视角数据导致自遮挡和细节丢失的问题,该研究提出 MV-Sign 框架,通过融合多视角 3D 运动数据和优化文本条件路径来提升生成质量。
针对图像到图像(I2I)扩散模型在多任务学习中的参数干扰与伪影问题,本文提出了 OptIMerge 框架。该方法通过最小化多任务损失函数学习轻量级合并系数,利用架构感知的变换对齐注意力层与卷积层的特征,在冻结专家网络的前提下实现了媲美联合训练的多任务能力。
推荐理由:提出基于优化的多任务融合框架,解决图像修复类扩散模型直接平均导致的伪影问题。
微信团队发布了 WeLM-Image,这是一个将多模态理解整合进文本到图像生成的统一图像基础模型。该模型专为微信大规模消费级应用设计,支持单 GPU 部署,采用混合 Transformer 骨干网络并配备 MoE 模块以平衡语义覆盖与编辑任务。
针对分布式训练中单张低效 GPU 拖慢整体作业且常规健康检查难以发现的问题,NVIDIA DSX OS 提供在集群全生命周期内的配置、认证及运行解决方案。该系统支持节点替换与驱动补丁更新后的持续可用性管理,帮助运维人员及时识别并解决潜在性能瓶颈。
戴盟近日公开了其从Daimon-Infinity中筛选出的TacClaw-Infinity触觉数据集,包含1万小时采集、100万条轨迹和10亿帧数据。该数据集支持无本体训练(Zero-Robot Transfer),在π0.5等模型上使花瓶擦拭任务成功率由50%提升至74%,且无需专用触觉架构即可利用现有策略。
推荐理由:戴盟公开TacClaw-Infinity触觉数据集及完整研究流程,验证了无本体数据在跨机器人迁移中的有效性。
该论文评估了采样广度与交互深度对多轮智能体强化学习性能的影响,发现其优势依赖于充足的回合预算且集中于错误恢复与长程韧性,而非均匀提升单步决策质量。作者提出 BudgetMix RL 方法以缓解预算依赖带来的部署风险,并展示了其在多样化执行设置下的鲁棒性。
推荐理由:原文通过多轮交互预算分析揭示强化学习在长程任务中的优势边界,并提出 BudgetMix RL 以缓解部署风险。
论文提出 Marathoner,一种具备超长视界执行能力的自主智能体模型。研究通过利用 GitHub 仓库中超过 1000 行新代码的重大发布 PR 合成挑战性任务级数据,并引入多任务链式技术将多个生成任务串联为单一高难度任务。
论文 RegimeVGGT 针对多视图图像恢复稠密三维场景结构的 VGGT 模型,提出无需训练的层级压缩方案以解决二次交叉帧注意力带来的扩展性瓶颈。研究通过频谱、探测和因果分析发现浅层缺乏跨视角结构、中层驱动对齐、深层对几何冗余但保留姿态关键路径的规律。
推荐理由:该文提出无需训练的层级压缩方法,在保持重建质量的同时将 VGGT 推理速度提升 6.7 倍。
SUPER 是一个在运行时自适应调整视觉测量信息的有界控制器,应用于 Ceres 和 g2o 后端。该研究在 EuRoC、TUM-VI、UMA-VI 及 TartanAir 数据集下评估了其在视觉干扰中的表现,结果显示所有 13 个分位点置信区间均跨越零且效果异质。此外,提出的动作验证协议能可靠区分控制器诱导的状态变化与求解器波动。
该论文提出 VABAR(Variational Automation Benchmark for Agentic Robotics),旨在评估代理机器人在物体形状与姿态变化下的可靠操作能力。
Trainspotting 数据集包含来自 Wikimedia Commons 的 12,068 个物体和 311,886 张照片,涵盖固定、移动及共享设计三种场景。
该论文提出了一种扩展自 VGGT-SLAM 2.0 的方法,利用前馈几何基础模型进行稠密单目重建并解决子图累积的尺度漂移问题。方法引入固定根锚定和短序列辅助的直接闭环连接,通过联合 VGGT 推理提供仅尺度的锚点并保持重叠链一致性。
该论文提出一种无需目标数据集标注的目标检测框架,通过结合预训练基础模型的分割与视觉语言系统能力,并引入基于地标的聚类机制以降低计算成本。方法能自主生成分割提案、利用多模态推理分配语义标签,并在无人类标注的情况下适应未见过的物体类别和领域。在 COCO 等基准的零样本设置下,该方法实现了 60.8 AP 的检测性能。
针对 SAM3 模型显存与计算成本高导致部署困难的问题,研究提出一种名为 Semantics-Preserving Quantization (SPQ) 的后训练量化方法。
MotoVerse 是一个针对两轮车(MTW)的预测感知基准数据集,包含 949 个机动片段和超过 3.1 万个周围路 agent 的轨迹标注。该基准支持两轮车自身机动预判(ERMA)和交通 agent 轨迹预测(TATP)两项任务,并引入了针对动态自运动、弱交通结构和上下文遮挡的挑战分类学。
论文介绍 Feature Puzzles 框架,利用图像裁剪与几何变换构建多视角一致分割伪标签,结合预训练 3D 基础模型特征实现无需视频或标定数据的单图监督学习。该方法在 NVOS、SPIn-NeRF 和 ScanNet++ 上达到最佳 mIoU 并保持竞争力,同时支持零样本迁移至开放词汇 3D 分割任务。
推荐理由:提出仅用单图监督即可学习多视角一致分割的新框架,在 NVOS 等基准上表现优异且支持零样本开放词汇扩展。
VAST 推出 V·STAR 顶尖人才计划,邀请年轻研究者聚焦 3D 生成基础模型、三维理解与智能体及世界模型三大方向。团队已开源面向任意视觉参考的实时交互式渲染器 EdenLive,在单张 GPU 上以超 24 FPS 速度生成 720P 画面并支持分钟级连续生成。该计划提供不限薪资期权激励,面向 2027 届及在校生开放北京、上海等地岗位。
该研究指出传统推测解码仅关注接受率会引入数值噪声并影响长程推理准确性。作者提出通过训练草稿模型在关键决策点被拒绝,利用目标模型进行低噪声推理,在不改变目标模型分布的前提下提升长程代理任务的成功率。材料为 arXiv 预印本,未提及具体部署或评测基准细节。