基于确定性世界模型的视觉系统动作引导可达性分析
针对端到端视觉控制器的闭环行为难以验证问题,本文提出确定性世界模型(DWM)和动作引导分区验证方案。DWM 仅从物理状态生成图像,无需潜在变量解码器;结合动作引导的分区策略,在固定计算预算下显著降低未知区域比例。实验显示该方法比 cGAN 代理更准确,鲁棒性区间收窄 1.9 至 69 倍。
针对端到端视觉控制器的闭环行为难以验证问题,本文提出确定性世界模型(DWM)和动作引导分区验证方案。DWM 仅从物理状态生成图像,无需潜在变量解码器;结合动作引导的分区策略,在固定计算预算下显著降低未知区域比例。实验显示该方法比 cGAN 代理更准确,鲁棒性区间收窄 1.9 至 69 倍。
现有自动驾驶数据缺乏对风险前兆与应对措施的关联标注。本文介绍 PotentialRiskQA 数据集,提供场景证据、潜在风险及缓解动作的结构化注释;基于此训练 PR-Reasoner 模型,通过多任务监督提升场景理解、风险认知与行动质量,减少无依据的风险推断。消融实验表明中间推理步骤的监督进一步降低错误推断并改善行动质量;在 NAVSIM 上的表征学习提升了开环规划性能。
HaiRuo 模型从 30 天卫星海平面图中单次前向传播,同时输出 15 天海平面、地转流速及每日涡旋掩膜与轨迹。其核心组件 HaiRuo-1B 为无标签预训练的 10.5 亿参数基础模型,在相同解码器下将 15 天中心误差从 30.6 km 降至 25.2 km(-18%),并在厄尔尼诺 - 南方涛动周期内保持优势。开源权重、代码与项目页面已公开,支持跨六个骨干网络的物体注意力机制优化。
Alexander A. Wolf 在 arXiv 发布预印本论文,引入振荡处理单元(OPUs)概念,即共享节律的合成神经元组。该架构通过定向交互将输入活动与先验状态转化为振荡占用空间(OOS),支持逻辑数值运算、联想回忆及固定权重下的闭环决策。研究建立了测量关系图谱以支持响应类预测,旨在为生物仿生智能提供经验保留于状态中的计算基底。
论文提出了 GenEA,这是一种新型智能体表示法,旨在基于动作推理人们的计划和目标。该框架的核心是一个多层状态空间,将关节身体的粗粒度生物力学与其与附近物体的相互作用耦合起来,通过扩展机器人领域的任务 - 运动规划框架并引入基于仿真的直觉物理来实现。
论文提出状态条件不变性(SCI)原则,要求视觉语言模型在保持语义不变的呈现变化下保持稳定,同时能响应改变任务结果的因果干预。作者构建了 GridWM-Judge 基准,利用确定性 MiniGrid 轨迹生成全量、证据移除及反事实变体,结合呈现与表征探测进行诊断评估。
推荐理由:提出状态条件不变性原则,构建基于确定性轨迹的仿真基准以诊断多模态模型作为裁判时的感知与因果敏感性。
MedScope-4B(基于 Qwen3.5-4B、LoRA 及图像工具)在 507 例内部病例上达到证据敏感性差距 0.758,将擦除病灶的误报率从前沿模型的 41%-62% 降至 9.6%,且未显著损失真实病灶检测精度。
EarthRecord 基准基于 56 个站点四十年的 Landsat、MODIS、VIIRS 和 Sentinel-2 原始数据,提出 238 个涵盖十类任务的土地变化问题。评估显示十二个多模态智能体虽能完成端到端分析,但在需从影像映射变化时表现不佳;当单一卫星数据被篡改且地面实况不变时,半数正确答案随之改变。该基准旨在衡量并推动智能体从像素理解到真实地表变化的能力演进。
论文提出了 TanCRAFT 框架,这是一个四阶段的实时预测性辅助系统,旨在通过跟踪场景状态、推理当前部分组装情况、预测被操作部件的近期运动并在预测放置不兼容目标时进行干预,来防止物理组装中的人类错误。研究在受控的七巧板(Tangram)组装任务上进行了离线基准测试和受试者内用户实验,结果显示该系统的预测反馈相比无引导和反应式会话显著减少了错误,同时带来了最低的感知工作负荷和最短的完成时间。
UGG 是一个针对 4D 场景理解的统一框架,将 RGB 视频与深度、相机位姿等几何表示联合建模。通过为不同模态和时间分配噪声水平,该框架在单一生成模型中将视觉合成与几何预测表述为条件补全任务,从而能从具有不同几何和视觉标注子集的异构数据集中学习。
针对视频世界模型训练中动作监督稀缺且难以扩展的问题,本文提出 OnlyAct 方法。该方法不从头学习动作空间,而是利用预训练基础模型(V-JEPA)帧对嵌入中已包含的动作信息,通过无标签对比适应框架在保留场景不变性的同时提取动作表示。研究在机器人操作、相机导航、游戏和驾驶等基准上进行了统一评估,结果显示其生成的世界模型能将演示动作更忠实地迁移到新场景中。
该研究针对世界动作模型(WAMs)需注入低维机器人信号的难题,提出 MetaWAM 方法,将姿态、动作等信号折叠进单一频域通道并通过逆 DCT 提升,无需增加模块即可对齐预训练视频扩散模型的先验。在 RoboCasa 基准上成功率达 68.9%,推理延迟降低 39%;在三项真实 Franka 任务中成功率为 85.0%。代码与模型已公开。
推荐理由:提出 MetaWAM 统一接口,将机器人信号折叠进单一频域通道,无需额外模块即可对齐预训练视频扩散模型的先验分布。
论文 ForeseeDrive 提出将未来场景演化转化为可部署的接口以塑造候选轨迹生成,而非重建密集状态或评分固定菜单。该方法从日志中提取查询索引 Token(涵盖演员运动、占用演变、路线交互及 TTC 裕度),并在部署时基于当前上下文预测同一 Token 空间以条件化轨迹几何。
该论文针对世界动作模型(World-Action Models)迭代视频去噪带来的高推理开销问题,提出 Elastic-WAM 方法。该方法通过自适应分配时空细化计算资源,统一调控何时停止世界细化、每步推进多远以及刷新哪些区域。研究在多样化仿真基准和真实长程操作任务中评估,结果显示其兼具最先进的控制性能与更低的推理延迟。材料为预印本论文,未提及具体开源代码或模型权重下载链接。
推荐理由:提出弹性计算分配机制,在仿真与真实长程操作中实现控制性能领先且降低推理延迟。
针对现有系统缺乏对信息收集过程有效性的监测问题,本文提出了 Acquisition-State Telemetry (AST),一种无需训练即可评估信息获取状态的架构。
推荐理由:提出无模型架构 AST,通过实时监测信息获取摩擦与进展信号,帮助自主系统在任务完成前识别无效停滞并优化策略。
论文提出了 LaST0.5 这一新型世界动作模型(WAM),旨在解决现有模型全球场景表征忽视局部机器人 - 物体交互的问题。该模型在混合 Transformer 架构中引入交互中心潜在专家,利用视觉交互线索学习紧凑的潜在空间,并通过自适应的世界到动作转移机制调整执行与重采样。
推荐理由:提出 LaST0.5,通过引入交互中心潜在空间弥合世界演化与操作生成的表征差距。
针对现有三维场景图方法主要面向室内和陆地环境的局限,本研究提出一种将户外开放词汇地图适配为海域持久场景记忆的方法。该方法通过几何基础的视觉语言模型(VLM)推理整合碎片化物理实体,并结合地图先验构建宏观区域以支持跨次穿越的固定地点对应关系及上下文检索。实验表明,该方案在减少实体碎片化方面优于基线及单独的几何语义整合组件,有效解决了海域空间组织需求未被陆地高层假设捕捉的问题。
该研究通过 14 个冻结编码器在五个 RGB 场景数据集(0.06-30 m GSD)上的五组配对实验,发现卫星预训练并非通用提升手段。具体而言,SatDINO、Scale-MAE 和 RemoteCLIP 三对模型显著受益,而 DINOv3-SAT 线性探针准确率下降高达 22.5 分,SatMAe 下降 8.8 分。
针对端到端自动驾驶中候选轨迹评估难以捕捉延迟失败和尾部风险的挑战,本文提出 RiSE-Drive 框架。该方法先进行条件潜变量未来展开,再估计长视界结果分布而非单一标量分数,最后利用感知尾部风险且对扰动鲁棒的决策准则对候选项排序。在 NAVSIM-v1、NAVSIM-v2 及闭环 HUGSIM 基准上的实验表明,RiSE-Drive 实现了最先进性能并显著提升了候选选择的鲁棒性。
针对遥感灾害评估需可验证证据的挑战,论文提出 DisasterAgent,采用感知 - 增强 - 生成的工作流。该方法首先调用视觉专家工具包构建时空感知图(STPG)作为结构化记忆,随后通过基于证据的增强(EA)从图中提取证据并附加内联引用,形成闭环验证。
推荐理由:提出 DisasterAgent,通过时空感知图与证据增强机制生成可验证灾害报告,在基准测试中显著优于通用 VLM 及遥感专用模型。
针对预训练潜在世界模型在部署时因物理动力学改变而失效的问题,本文提出一种无需修改预训练权重或识别具体参数变化的少样本残差适应方法。该方法通过自监督学习从潜在预测误差中获取修正项,同时应用于潜在预测器内部及其预测的潜在状态,且保持预训练世界模型冻结。
推荐理由:该文提出一种冻结预训练权重的少样本残差适应方法,在质心与摩擦变化场景下恢复机器人控制成功率。
针对现有文本生成视频模型评估依赖主观直觉打分、无法指出具体违反的物理原理的问题,本文提出 PhyRubric 框架。该框架在未见视频前即根据提示词构建特定评分标准,将内容分解为语义与物理项,并基于时间戳证据进行逐项裁决。
该论文提出 GEMOR-GS 框架,旨在为连续运行的机器人提供逼真且度量一致的 LiDAR-惯性 - 视觉 SLAM 世界表示。该方法首先通过专用校准段利用直接法对齐离线估计相机与激光雷达的外参,并在标定几何下交替优化关键帧位姿与高斯参数;最终重建全局地图时解除所有限制以提升外观质量。
推荐理由:提出 GEMOR-GS 方法,通过离线外参校准与在线重定位实现高几何精度与可重入性的 3DGS SLAM。
该论文提出 DeRep 方法,旨在通过结合局部鸟瞰图可达性监督与深度重建来优化视觉表征,以支持在杂乱环境中的端到端导航与避障。研究冻结编码器架构,使用线性策略探针、流匹配模仿学习和 PPO 强化学习等多种下游方法进行对比评估。
针对多智能体系统中离散决策变量导致的 NP 难组合优化问题,现有基于模型的方法仅适用于连续空间而基于扩散的组合求解器需离线训练。本文提出 Discrete Model-Based Diffusion(Discrete MBD),一种无需训练的采样式优化方法,通过蒙特卡洛采样近似分类反向转移分布直接优化离散变量。
针对行星漫游器轨迹规划中难以追溯科学目标的问题,研究提出一种基于大语言模型的交互式助手。该系统结合 NASA VIPER 任务启发的仿真器与 ReAct 接口,在查询库测试中回复忠实度达 90.9%,较无工具访问的零样本提示提升近 65%。实验表明该架构能利用领域词汇解释规划结果并对比替代方案,为不确定性感知路径提供可信的可解释性验证。
论文提出一种部署适配方法论,用于在主动传感中选择贡献新表面测量的视角。该方法通过从有限本地校准数据中学习传感器返回适配器,在保持预训练预测器固定的情况下估计每个预测表面的测量丢失率,从而优先选择能填补重建间隙的视角。
ASPIRE 是一个由大语言模型智能体主导的非线性系统辨识框架,能自主构建闭环静态或动态模型并验证物理约束。该平台在移动机器人、干摩擦旋转系统及发酵罐三个实测对象上完成 30 次运行,全部产出有效模型且单次成本介于 0.96 至 3.38 美元。评估显示其文档与结构选择满足 150 项指标中的 132 项,但部分模型存在关于结构选择的声明不准确问题。
论文介绍了 GTAGym 环境及 GTAVBench 基准,包含源自 GTA V 主线剧情的 103 个在线任务及 47 个射击狙击子任务。作者构建了支持截图与键鼠操作的自动状态检查接口,并测试了六款前沿大语言模型在文本指令及仅首图指令(AGI 分支)下的表现,最佳配置在 AGI 分支达到 70.9% 准确率。
美国机器人公司 Path Robotics 宣布完成由 Georgian 领投的 3 亿美元 E 轮融资,投后估值达 24.5 亿美元(约合人民币 164 亿元)。
英伟达在CoRL 2026会议推出开源世界—动作模型GR00T 2系列,包含主打泛化能力的GR00T 2和强调速度的Turbo版本。该模型基于40万小时人类视频训练,支持跨本体迁移、少样本适应及视觉引导规划,在多项灵巧操作与长程任务中取得高成功率。英伟达宣布将全栈开源模型权重、仿真流程SimFoundry、智能体框架ASPIRE及相关硬件设计图纸,旨在降低机器人开发门槛并推动技术落地。
禾赛科技公布2026年第三季度未经审计财务数据,营收10.7亿元,连续六个季度GAAP盈利。其中战略增长业务(SGI)营收9,051万元,环比增长101.4%。
推荐理由:禾赛公布三季报,机器人动力模组出货超3.5万套并进入NVIDIA Isaac GR00T方案,同时发布Kosmo世界数据引擎。
Continual-ARC 是基于 ARC-AGI 构建的终身任务流,用于对比记忆型与权重型系统在无需领域知识下的技能获取。实验在 Qwen3.5-9B 和 GLM-5.3 Flash 上运行,发现单纯缓存演示的基线优于多数 harness 方法,且无 harness 方法能提升未见任务泛化能力。该研究为未来基于权重的持续学习及模型自主驾驭新领域打开了可能性。
该报告介绍了互惠世界模型(RWM)及首个版本 Duo v1,旨在实现感知与响应的实时双向交互。系统通过自回归建模处理连续交互推理,并引入意图生成与行为实现的统一时间线设计。材料仅作为技术报告发布,未提供真实机器人部署结果或具体性能指标。
Fable 5.2在智能体编程、科学研究等基准测试中全面超越Opus 5.5,软件工程测试达69.9%,输出速度提升30%且价格降20%。海外开发者利用其生成8小时零人工反馈的3A游戏及76分钟海底题材作品,但高推理档位导致Token消耗剧增,部分任务性价比下降。
量子位报道了成立四个月的初创公司 TensorWorld 物原科技在一个月内完成过亿美元融资的消息。文章分析了该公司提出的“物理基础模型”路线,即通过融合几何与合成动力学预训练来构建物理直觉,旨在解决高保真数据昂贵及仿真难以复现真实摩擦形变等行业痛点。
论文介绍 PoEM 框架,旨在通过已训练的模型和新的奖励函数直接近似目标 RL 策略,而无需重新进行计算密集型的强化学习训练。该方法利用新奖励函数可表示为现有奖励线性组合的特性,在 log-probability 空间中将最优策略表达为现有策略的组合;即使奖励非线性相关,RL 学到的策略也常跨越低秩子空间。
论文提出 Co-RL 框架,利用多个参数解耦的智能体相互提供奖励信号进行协同优化,以解决自奖励训练导致的偏差与同质化问题。通过引入异构模型家族、不同规模及重述样本来提升群体多样性,有效降低相关错误并抑制训练崩溃。
该论文提出 AV-Phys Bench 基准,用于评估联合音视频生成模型的物理常识理解能力。研究涵盖稳态、事件过渡和环境过渡三类场景,并引入对抗性提示测试模型鲁棒性。
针对现有网络框架固定但缺乏生成性、纯生成式世界模型难以保持确定性全局框架的问题,本文提出 Web World Model(WWM),将世界状态与物理规则用普通 Web 代码实现以确保逻辑一致性,由大语言模型在此基础上生成上下文、叙事和高层决策。