跳到正文
10月17日周六
10月16日周五
  1. 智东西 · 机器人42

    杭州创企磐虎智能完成数千万天使轮融资,聚焦 TigerMind 世界模型与物理交互智能 PII 技术研发

    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。

  2. arXiv · 机器人与计算机视觉68

    Learning Not To Interfere:一种通过解耦专家模型以减少跨任务干扰的模型合并方法

    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。

  3. arXiv · 机器人与计算机视觉42

    TwinPrune:面向视觉语言模型的密度感知两阶段 Token 剪枝方法

    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。

  4. arXiv · 机器人与计算机视觉82

    REKI:一种基于公开数据预训练的 24 亿参数视觉语言动作模型

    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。

  5. arXiv · 机器人与计算机视觉82

    Seeing is Believing:MLLMs 中语言先验对视觉感知的干扰评测与缓解

    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。

  6. arXiv · 机器人与计算机视觉72

    视觉生成能否扩展统一多模态模型的认知?——基于知识迁移探测的研究

    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。

  7. The Decoder · Robotics75

    Google 推出 Gemini 4 Argon 作为机器人唯一所需模型

    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。

  8. arXiv · 机器人与计算机视觉82

    Enabling Validation for Robust Few-Shot Recognition 论文发布

    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。

  9. arXiv · 机器人与计算机视觉82

    PrismaCoder:通过分解式评分标准合成推动开放多模态代码智能边界

    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。

  10. arXiv · 机器人与计算机视觉59

    Riding the Fixed-Point Curve:连续思维机器人在图像分类中的固定点曲线策略

    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)。

10月14日周三
  1. Google DeepMind87

    Gemini 4 Argon 发布:物理 AI 模型解锁机器人控制与仿真构建新工作流

    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。

  2. Google DeepMind82

    Gemini 4 Argon 发布:具身推理与复杂工程任务全球上线

    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。

  3. 智东西 · 机器人82

    Google DeepMind 发布通用物理推理模型 Gemini 4 Argon

    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。

10月12日周一
  1. arXiv · 机器人与计算机视觉72

    CoRE-VLA:面向可扩展与鲁棒的视觉语言动作建模的条件路由专家框架

    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。

  2. 上海人工智能实验室 · 科研动态72

    上海AI实验室推出决策模型‘书生·明决’,性能超Jev并支持端侧部署

    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。

  3. 量子位86

    何恺明团队发布视觉原生Harness框架VISTA

    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。

10月11日周日
  1. 量子位72

    TypeSafe AI发布Jev决策模型并完成8.7亿美元A轮融资

    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10日周六
  1. 智东西 · 机器人82

    MIT韩松团队联合英伟达发布Long-WAM:延长视觉上下文提升机器人长时程操作成功率

    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。

  2. The Robot Report63

    波士顿动力披露 Atlas 新款人手设计细节:13 自由度、去拇指及仿真优化策略

    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。

10月9日周五
  1. 智东西 · 机器人82

    Aether AI 推出因果机器人智能系统 CRIS-0

    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。

  2. 量子位86

    星动纪元自研世界动作模型VPP2登顶RoboDojo榜单并开源

    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。

  3. arXiv · 机器人与计算机视觉70

    RT-DETRv4:利用视觉基础模型无痛提升实时目标检测

    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。

  4. arXiv · 机器人与计算机视觉35

    ACT³:一种融合语义与动力学信息的动作中心三流 Transformer

    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。

  5. arXiv · 机器人与计算机视觉43

    ComCLIP:冻结文本编码器的 CLIP 后训练互补框架

    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。

  6. arXiv · 机器人与计算机视觉42

    Diffusion Meta-Prompting 实现通用基础模型自适应与跨任务泛化

    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。

  7. arXiv · 机器人与计算机视觉85

    SLVR:基于类人推理流的结构化潜变量视觉推理

    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。

10月8日周四
  1. arXiv · 机器人与计算机视觉48

    可时间解释的可微决策树提升序列决策透明度

    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。