Muse Glimmer 30B:一款面向消费级设备的本地化智能体模型
Hugging Face Daily Papers 发布了一篇题为《Muse Glimmer 30B: An On-Device Agentic Model》的论文,介绍了一个开源的 30B 参数因果语言模型。
Hugging Face Daily Papers 发布了一篇题为《Muse Glimmer 30B: An On-Device Agentic Model》的论文,介绍了一个开源的 30B 参数因果语言模型。
磐虎智能宣布完成由普华资本、恒择资本投资的数千万天使轮,资金将用于研发 TigerMind 多维感官认知世界模型及端侧智能系统。该公司以创始人侯迪波(浙大教授)和联合创始人林锋(前钉钉副总裁)为核心团队,构建围绕物理交互智能 PII 的技术体系。目前企业已与城市公共事业、工业基础设施等领域伙伴开展场景共创。
针对独立训练的多任务模型直接合并时出现的性能下降问题,本文形式化定义了“跨任务干扰”概念,并提出 Resolving Interference (RI) 框架。该方法利用无标签辅助数据对专家模型进行轻量级适应,使其在功能上与其他任务空间正交,从而减少干扰。实验显示 RI 能将主流合并方法的性能提升最高 3.8%,泛化能力提升 2.3%。代码库已公开。
TwinPrune 提出统一空间密度信号,分别优化预填充阶段的二分合并与解码阶段的 KV 驱逐,在七种模型变体上实现算力、内存与精度的帕累托最优。该方法以 0.125 保留率在 TextVQA 任务上超越 H2O 基线 9.6 分,且压缩效率随模型规模增大而提升。代码已开源,建议将 MM-Vet 或 DocVQA 作为解码阶段剪枝的强制验证基准。
Li Auto Inc 发布了 MachEmbodied-VLM(简称 ME-VLM),这是一个统一视觉语言模型,包含 4B 和 35B-A3B 两个变体,旨在将具身认知与多模态代理能力结合。
论文提出了 Visual Contrastive Self-Distillation (VCSD),该方法将图像内容移除转化为 on-policy self-distillation 信号,无需外部教师、特权答案或视觉证据信号。
作者发布了 REKI,这是一个 2.4B 参数的视觉语言动作模型(VLA),仅使用公开数据进行预训练。该模型在 LIBERO-Plus、RoboTwin Clean2Rand 和 RoboCasa365 等基准测试中表现优异,性能接近两倍大模型的规模。
推荐理由:该 VLA 在仅用公开数据预训练下,以较小规模达到接近两倍大模型的 LIBERO-Plus 等基准表现。
论文指出 MLLM 的语言先验会覆盖视觉证据导致感知受损,现有基准存在局限。作者提出 ViSiP-Bench 基准和 MAPS 方法,通过动态诱导协议和微调策略来更精准地测量并降低模型对语言先验的过度依赖。
推荐理由:提出 ViSiP-Bench 基准与 MAPS 方法,揭示大模型语言先验干扰问题并提供缓解方案。
研究团队引入知识迁移探测(KTP)协议,在七个知识类别和三个统一多模态模型上观察到了从图像生成监督到语言理解的直接但不均匀的转移现象。通过依次引入文本对齐和交错图文对齐策略,发现对选定实体的引导能提升对其他实体的知识访问能力,且交错对齐带来额外增益。
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。
Google 发布 Gemini 4 Argon,旨在成为覆盖机器人控制、虚拟世界构建及训练视频评估的统一模型。演示中,该模型结合 MuJoCo 仿真与 AI 代理验证,将波士顿动力 Spot 机器人的任务成功率从 56% 提升至 75%,执行时间缩短至 24 秒;在 ERQA 基准测试中以 87% 的得分领先其他前沿模型。
NVIDIA Nemotron 3.5 Super VL 是一款开源可定制的多模态模型,专为处理阅读文档、跨源查信及调用工具等长流程企业工作流设计。该模型采用 120B 参数混合专家架构,每次请求仅激活 12B 参数以支持专用智能体的高效推理。
针对视觉模型从基准测试转向高 stakes 部署时现有方法无法可靠评估其可解释性的问题,本文提出了一套基于心理物理学协议的测量框架,包含“定位性”和“语义性”两个维度。
针对少样本识别中因缺乏验证数据导致模型过拟合的问题,本文提出一种多目标优化验证策略,在提升 ID 任务性能的同时保持对检索 OOD 数据的泛化能力。作者将验证问题形式化为 Pareto 前沿上的操作点选择,并集成到分阶段微调流程 VEST 中。实验表明该方法在五个基准测试的 ID 和 OOD 数据上均优于现有方法。
推荐理由:提出将检索数据作为验证集的多目标优化策略,解决少样本微调中的过拟合与泛化难题。
论文针对多模态代码智能领域数据质量与生成管线受限的问题,提出 PrismaForge 分层数据管道,利用分解式评分标准同时作为过滤与奖励机制来构建高质量数据集。基于此构建了 PrismaCoder-2M 最大规模开放数据集,并训练发布 PrismaCoder-9B 和 PrismaCoder-35B 模型,在开源领域大幅领先现有水平且媲美主流闭源系统。代码与数据已公开。
推荐理由:提出基于分解式评分标准的数据合成管道,构建最大规模开放数据集并训练出领先开源界的代码智能模型。
该研究分析了连续思维机器人(CTM)在 ImageNet 图像分类任务中的机制,发现其神经状态演化遵循一条由局部吸引子构成的固定点轨迹曲线。研究表明,尽管训练增强了非正规性,但大部分运动模式在不同图像间共享,表现为神经元上的传播波;注意力调度具有高度通用性,仅微调查询顺序即可保持 93% 的准确率,且基于图像无关的增量可精准预测后续查询(R^2=0.98)。
DeepMind 发布 Gemini 4 Argon,该模型在 ERQA 基准测试中纯推理得分 87%,超越其他前沿模型。Argon 支持从遥操作到自主控制的闭环视觉回路,能基于真实视频或手绘草图构建物理校准的 MuJoCo 仿真双胞胎,并开放了多模态后见性标注与价值函数预测等工具。
推荐理由:DeepMind 发布 Gemini 4 Argon,在 ERQA 基准测试中纯推理得分 87%,并开放了从代码生成到仿真构建的机器人工作流入口。
Google DeepMind 正式发布 Gemini 4 Argon 模型,该模型在具身推理基准 ERQA 中以 87% 的分数领先其他前沿模型,并展示了通过观看人类操作视频自主构建仿真代码、进而将技能迁移至人形机器人(Apptronik Apollo)实现连续投掷的技能。
推荐理由:DeepMind 发布 Gemini 4 Argon,在具身推理基准 ERQA 以 87% 分数领先,并展示通过观看视频自主构建仿真代码并在人形机器人上实现技能迁移的能力。
Google DeepMind 正式上线通用物理推理模型 Gemini 4 Argon,该模型具备视觉语义推理、物理理解和代码生成能力。Argon 支持通过观看视频或手绘草图构建仿真环境(Real2Sim),在 MuJoCo 等环境中进行零样本控制与技能学习,并能分析操作过程以优化机器人表现。
推荐理由:DeepMind 上线通用物理推理模型 Gemini 4 Argon,支持从视频或草图构建仿真环境、零样本控制及自我改进优化机器人动作表现。
针对机器人传感器配置异构及意外失效的挑战,该研究提出 CoRE-VLA 框架,将动作生成表述为上下文感知的稀疏计算。通过模态可用性门控机制,模型可在利用辅助深度信息时提升性能,并在缺失传感器时实现优雅降级而不需重新训练;任务意图进一步路由至相关专家以增强多任务与长视界行为的专用性。
论文提出 Multi-Stream Attention Residuals (MSAR),将单流 Softmax 注意力扩展至深度轴的多头机制,利用多尺度因果卷积获取流多样性并通过轻量级自适应混合生成输入。
上海人工智能实验室推出决策模型‘书生·明决’(Intern-Decision),包含0.8B、2B、4B三档参数版本。该模型将原生视觉感知与指令遵循融为一体,在单卡RTX 4090环境下实现每秒约30次决策的响应速度,端到端时延比Jev快2倍以上。
推荐理由:上海AI实验室推出原生视觉决策模型书生·明决,在端侧推理速度与多模态任务质量上超越Jev等开源基线。
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出VISTA框架,让多模态模型无需额外训练即可观察环境、保存原始画面并在推理时回看细节。
推荐理由:何恺明团队提出VISTA框架,让多模态模型无需重训即可回看原始画面以辅助推理,在ARC-AGI-3等基准上显著提升通关效率。
DeepSeek 计划领投专注于机器人 AI 模型研发的 Winverse AI,融资规模达数千万美元,交易完成后估值约 4 亿美元。美团龙珠资本等投资方已承诺参与,但本轮交易尚未最终敲定,具体细节仍可能变化。
TypeSafe AI宣布完成8.7亿美元A轮融资,投后估值达75亿美元。其核心产品Jev是一款专注于自动化判断(如分类、打分、选择)而非生成文本的AI模型,上线3天日吞吐量即达1万亿Token,且输出Token永久免费。该发布引发了微软、OpenAI和Cloudflare等巨头在24天内迅速推出同类决策模型进行竞争。
10月8日,MIT韩松团队联合英伟达、香港大学和加州大学圣地亚哥分校发布了世界动作模型Long-WAM。该框架旨在满足实时控制要求的同时扩展因果世界动作模型的上下文长度,利用历史视觉信息辅助动作决策。
推荐理由:MIT韩松团队联合英伟达等发布的Long-WAM,通过分阶段预训练扩展了世界动作模型的视觉上下文长度,在保持实时响应的同时显著提升了复杂连续操作任务的成功率。
波士顿动力发布了为 Atlas 机器人设计的新型四指人手,具备 13 个自由度且采用直接驱动架构,取消了小指并缩小了夹持器尺寸。该设计基于过往经验平衡了灵巧性、强度与可靠性,特别针对高保真物理仿真进行了优化,以支持强化学习策略的训练与迁移。公司强调通过模块化设计和严格的验证流程确保耐用性,目前已在总部广泛测试但尚未部署至整个机器人车队。
Aether AI 正式推出因果机器人智能系统 CRIS-0,该系统通过因果驱动的 Agent 和因果世界模型两大模块,在真实环境中展示了对动态干扰的实时调整、任务自主纠错及动作直接生成能力。创始人黄碧薇为 UCSD 助理教授,公司成立于 2026 年并已完成融资。材料包含真机演示视频与架构说明,未提及具体开源代码或部署许可细节。
推荐理由:Aether AI 推出 CRIS-0 系统,利用因果状态与统一工具接口实现机器人自主纠错与环境适应。
星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单综合平均成功率32.26%、得分39.26分两项指标均居第一,泛化与精细操作能力领先。该模型采用视频预测与动作学习分阶段训练策略,未依赖额外数据或外挂增强手段。代码已开源,项目主页提供复现入口。
推荐理由:星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单登顶,并开源代码与项目主页。
针对轻量化网络设计导致特征表示退化的问题,本文提出一种低成本且高度可适配的蒸馏框架,通过深度语义注入模块和梯度引导自适应调制策略,将视觉基础模型的高层表征无损迁移至轻量级检测器。新模型家族 RT-DETRv4 在 COCO 数据集上达到最先进结果,在不同速度下分别取得 AP 分数为 49.8/53.7/55.4/57.0,对应帧率为 273/169/124/78 FPS。代码已公开。
LadderEdit 提出一种针对大语言模型终身编辑的残差压缩方法,通过阶梯式提升 LoRA 秩来平衡存储与性能。该方法在 ZsRE、CounterFact 和 WikiBigEdit 基准上测试了 LLaMA-3-8B、Mistral-7B 及 Qwen2.5-7B 模型,相比逐编辑存储方案内存占用降低 5.2 倍。
SV-TAD 框架引入原生稀疏 2D 卷积,首次让适配器直接作用于动态剪枝的 token 集,将 VideoMAEv2-L 推理计算量降低最高 64% 且速度提升 2.2 倍。
ACT³是一种简单的动作中心三流 Transformer,通过逐层注意力机制将视觉语言模型(VLM)和世界模型(WM)表征融合进控制动作。该架构在保持上下文流独立前向传播的同时,允许两个骨干网络均通过控制监督进行更新。仿真与真实世界机器人操作基准实验表明,ACT³的表现优于其同类方法。
ComCLIP 提出一种轻量级单轮次后训练方案,通过冻结 CLIP 文本编码器并引入调节对比损失、MSE 锚定及 DINOv2 关系蒸馏,在 ViT-B/16 线性探测任务上视觉特征迁移性达 48.99(基线 42.28)。作为 LLaVA-1.5-7B 的即插即用视觉编码器,该方案无需重对齐投影器或大语言模型,在八个基准测试中未破坏下游兼容性。代码与模型已公开,适用于计算机视觉与人工智能领域。
Diffusion Meta-Prompt (DMP) 框架利用扩散模型学习提示分布,仅需自然语言描述即可合成新提示,无需访问原始任务示例或损失函数。该方法在分类、检索及文生图任务中提升泛化能力,相比提示检索方法降低超 90% 存储与推理成本,复合分类平均增益达 2.0%,特定数据集对最高提升 8.5%。代码已开源并获 NeurIPS 2026 接收。
论文提出 SLVR 框架,旨在解决多模态大模型过度依赖语言先验的问题。该方法将显式思维链与潜变量推理结合,通过掩码答案文本并对比视觉干扰项进行训练,随后对规划、定位、证据选择和整合四个阶段分别施加监督信号。基于 Qwen2.5-VL-7B 的 SLVR 在 MMVP 和 BLINK Relation 等基准上取得显著提升,证明了结构化潜变量监督能在避免推理开销的同时增强细粒度视觉推理能力。
推荐理由:提出 SLVR 框架,通过结构化潜变量监督实现规划、定位与证据选择分离,在 Qwen2.5-VL-7B 上提升多模态推理基准表现。
论文介绍了 OpenMobile-2,这是一个具备完全开放训练环境与配方的近前沿移动智能体。其三大进展包括:构建 MobileGym++ 环境,包含 35 个模拟商业应用及 110+ 个 Android 模拟器应用。
正行创新发布面向零售场景的Physical AI解决方案,核心包括参数量23亿的SLM-0.5世界动作模型、STEAM强化学习后训练体系及Rpent智能体。公司推出双足人形机器人H1和轮式双臂机器人C1,分别承担交互巡检与搬运理货任务。
针对视觉语言模型(VLMs)常产生输入图像中不存在内容的物体幻觉问题,本文提出双路径电路分析框架。研究在五种不同架构的 VLM 上应用激活打补丁技术,识别出支持正确预测的视觉定位通路和驱动错误输出的幻觉通路。
针对现有可微决策树在时序规划上的局限,研究引入时间维度并通过动作分块与参数高效重构算法优化策略。实验显示,从蒸馏后的动作分块策略热启动的模型,在四个仿真环境中匹配神经网络策略性能的同时,参数量减少高达 80%。代码已公开于 GitHub,为具身智能的可解释性提供新路径。