CentriQ:通过精确均值中心化实现扩散 Transformer 的免校准量化
论文介绍 CentriQ,这是一种针对扩散 Transformer(DiT)的免校准量化技术。该方法通过在旋转前对每个 token 进行中心化处理,并利用秩 -1 全精度分支恢复均值,从而在无需数据的情况下确定量化范围。
推荐理由:提出一种无需校准的扩散 Transformer 量化方法,在低比特下保持生成质量并优于现有无校准方案。
论文介绍 CentriQ,这是一种针对扩散 Transformer(DiT)的免校准量化技术。该方法通过在旋转前对每个 token 进行中心化处理,并利用秩 -1 全精度分支恢复均值,从而在无需数据的情况下确定量化范围。
推荐理由:提出一种无需校准的扩散 Transformer 量化方法,在低比特下保持生成质量并优于现有无校准方案。
针对机器人配送研究中因忽略取货行程及人工支持导致的运力高估问题,该研究构建了耦合转运器支持与共享电梯、充电及清洁资源的感知调度模型。模型重演了 33,079 例医院请求,在 30 组配对复现中对比了人工调度、资源感知控制器与邻近度基准,证实提升假设电梯容量可显著降低仅由人员导致的延迟。分析揭示了机器人通过人员交接和共享设施延误服务的机制,提供了可复现的耦合工作流评估方法。
针对扩散模型和视觉语言动作(VLA)策略在下游阻抗控制器中依赖经验性增益设置的问题,本文提出 PHRetune 方法。该方法从演示数据中学习端口 - 哈密顿量模型以估计策略预测动作的能耗与努力度,通过对比推导单一增益比例因子,在不重新训练策略、无需先验机械臂模型或任务奖励的情况下调整控制器增益。
James Pritts 和 Kevin Koser 在 arXiv 发布论文 Robust Local Optimization Done Right,系统分离了假设选择与细化步骤,分析了损失形状、内点尺度指定错误及优化策略对本质矩阵、基础矩阵和单应性估计的影响。
针对模仿学习策略继承演示速度且测试时修改易导致分布外观测的问题,本文提出 FreeSpeed 模块,无需重新训练即可对预训练策略的动作块进行后处理以调节执行速率。
推荐理由:提出无需训练的模块,通过动作块的方向不一致性信号自适应调节执行速度,在仿真与真实任务中均保持高成功率。
针对 VLA 模型因频繁调用策略导致的停顿问题,本文分析发现长动作块内的错误集中在操作子技能转换处。为此提出 RACE 框架,利用辅助一步去噪预测切换时机并以此调节动作生成。在仿真基准中,RACE 在更长动作块下成功率优于微调及近期 SOTA;在真实机器人上,使用 4 倍长动作块将空闲时间减少约 5 倍且成功率更高。代码与演示已公开。
推荐理由:原文分析了长动作块中的错误集中点,提出通过辅助去噪预测切换时机来降低误差。
本文研究了差速驱动机器人在紧急避障时制动或转向的性能及其对进近速度的依赖关系。研究通过足迹间隙分析和归一化轮运动指数,描述了五种制动和转向机动的运动学特征。实验包含 540 次块随机化试验(保留 539 次),在瓷砖表面上以 45、55 和 65 cm/s 的指令速度进行。
针对双系统视觉语言动作模型中通用推理模块固定频率调用的静态策略浪费计算资源的问题,提出 TUD 自适应推理框架。该方法利用缓存上下文下的动作重预测跨步离散度作为预测不确定性信号,无需人工标注或辅助模型即可动态跳过不必要的通用调用。在 VLA-Arena 基准测试及真实机器人实验中,TUD 在匹配调用预算下实现了更高的成功率,并将通用模型调用次数减少了 75%,同时有效分离成功与失败的轨迹。
推荐理由:提出基于预测不确定性的自适应推理框架,在保持低开销的同时显著降低通用模型调用次数并提升成功率。
针对移动机器人和施工场景对低延迟及低碳计算的需求,该研究利用 VideoMAEv2-Base 模型在 Nexar 碰撞预测数据集上,量化了网络深度内运动线索的可解释性及 Token 流的时空相似性。
针对通用机器人策略缺乏置信度量化机制的问题,本文提出利用小集成模型的速度场分歧(VFD)来高效量化认知不确定性。实验表明,该方法能更准确地预测下游性能并检测故障,准确率比现有方法高 8 个百分点;提出的 SAVE 方法结合不确定性引导的主动多任务微调,在固定演示预算下将三个真实任务的平均成功率从 39% 提升至 47%。
该论文介绍了一种通用的 Look-Back and Look-Ahead Adaptive Model Predictive Control (LLA-MPC) 框架,这是一个无需学习的实时系统辨识与控制方案。
该论文提出 VisionMX 方法以解决微缩放(Microscaling)格式在视觉模型中应用时的精度损失问题。研究识别了块尺度表示、卷积权重张量对齐及激活码使用不当等误差来源,并通过优化有界权重舍入和可折叠仿射修正来改善性能。实验涵盖图像分类、目标检测、语义分割和低光增强任务,结果显示该方法在直接转换及其他后训练量化基线上均表现更好,尤其对敏感架构的恢复效果显著。
针对大规模视觉语言动作模型计算成本高难以部署的问题,本文提出了 FastOPD 框架,通过同策略蒸馏将大模型知识迁移至紧凑学生网络。该方法结合单状态教师监督与自一致性目标,理论上可恢复理想少步模型的分布特性。
推荐理由:提出基于同策略蒸馏的轻量化框架,在仿真与真机实验中验证了大幅降低推理延迟同时保持性能的方法。
论文提出 CHASE-VLA 方法,解决扩散基动作专家层在低比特后训练量化中的尺度失配问题。该方法利用策略生成的动作块及其未执行后缀作为因果上下文,结合去噪步信息自适应调整激活尺度,实现 MLP 和注意力投影的 W4A4 量化而无需修改预训练策略。
DeepSeek 发布 DSec 技术报告,其弹性计算团队正大量招募资深工程师以支撑该基础设施的扩展。DSec 已部署于生产环境,管理约 160 台服务器、3 万个 CPU 核心及 250TB 内存,高峰期同时在线沙盒超 38 万且每秒创建量达 5000+。
英伟达发布开源项目 Do Inference Now Deploy,提供实用 C++ 样本以连接模型检查点与原生推理。该工具结合 ONNX Runtime 和 NVIDIA TensorRT RTX 执行提供者,旨在解决本地应用中模型格式便携性与跨系统加速需求。开发者可直接利用此代码库将 AI 模型部署至目标系统并实现即时推理。
Kodiak AI 宣布采用亚马逊云科技(AWS)作为核心云平台,支撑其 BreakPoint 安全验证工具、AI 模型训练及 Driver 自动驾驶系统的开发。该合作旨在利用 AWS 的高性能计算能力运行百万级仿真场景,加速在 2026 年底前于德州公共高速公路推出无人驾驶货运服务。此举为 Kodiak 未来在美国范围内的规模化部署提供了可扩展的云基础设施基础。
Torc 成立 DataLoop and Simulation (DL+S) 部门,旨在统一组织内从数据摄入、处理到模型验证及部署的完整开发周期。该部门利用 Ray 等工具标准化工作流,管理每小时约 9TB 的卡车运营数据并构建闭环实验循环以加速 AI 模型迭代。通过整合仿真生成合成数据与强化学习,DL+S 确保在海量多模态数据处理下实现高效计算与可审计的安全部署。
Figure 将首批部署于宝马的 F.02 机器人队退役,并在芬兰伊马特拉工厂完成销毁。团队利用动作捕捉数据训练 AI 策略,使机器人在 24 小时内自主从二楼跃入钢水,即便电子设备失效也能无缝运行策略。熔炼后的金属条被运回美国加工成限量版纪念品,仅少量 F.02 保留在总部存储。
Synaptics 与 BrinqAI 联合方案旨在弥合实验室 AI 原型与工厂量产部署间的鸿沟,通过标准化架构解决多设备系统集成的复杂性。该方案支持模型在 SKU、光照等生产条件变化时的持续自适应更新,避免静态模型失效风险。边缘处理架构将敏感数据保留在设施内,降低带宽延迟并满足制药等行业的数据合规要求。
NVIDIA VSS Blueprint 3.3 旨在解决将视频理解能力转化为可维护系统的难题,整合了数据摄入、流处理及事件检测等技能。该方案通过 NVIDIA Metropolis Blueprint for Video Search and Summarization 帮助开发者以更低成本构建生产级视觉 AI 智能体。
Cisco 调研显示,59% 的制造客户已部署物理 AI,其中 97% 的工业领袖预期其将改变网络需求。随着视觉系统与机器人从试点转向量产,延迟、带宽及生命周期管理等成为关键瓶颈,制造商需升级网络以应对安全与规模化挑战。
涂鸦智能在数贸会发布 AI 家庭陪伴机器人 Doova,通过"Hey Tuya, Help"指令结合 4 麦声源定位与 LDS 激光雷达,实现老人摔倒时设备主动靠近并联动视频通话。该机器人依托 AI+IoT 生态充当家庭中控枢纽,可指导电器操作、推送提醒及自主巡视生成安全报告,将分散的感知移动能力串成服务链解决独居难题。
该论文提出 Mara Chain,一种将优化过程中被丢弃的候选方案转化为后续迭代基石的新方法。现有 propose-evaluate-select 流程常因直接丢弃不合格候选而导致重复探索相同失效模式;Mara Chain 则保留并利用先前尝试积累的证据对拒绝项进行迭代精炼,同时限制链长并应用 Pareto-filtered Top-N 选择以控制候选池规模。
推荐理由:该工作提出 Mara Chain,将优化中被丢弃的候选方案转化为后续迭代的基石,在 AppWorld、TerminalBench 2.1 和 MuSiQue 等基准上显著提升了任务性能并减少了采样次数。
NVIDIA 推出新工具在 AI 工作负载运行前验证 GPU 集群就绪状态,避免因单卡变慢或链路降级导致训练任务失败。该方案能识别配置错误引发的流量路由至低速路径问题,防止算力和网络资源浪费。
SWE-Serve 评估推理服务软件变更时,发现 AI 编码代理生成的补丁虽能通过本地测试,但在服务器加载真实模型处理请求时仍可能失败。该工具基于 SGLang 团队输入,利用源自 53 个任务的基准暴露了完整服务路径中的缺陷,强调仅验证代码逻辑不足以确保生产环境正确性。
Boston Dynamics 机械工程师 Diane Heinle 解答了 Stretch 机器人的耐力测试方法,通过加速循环数百万次以在数周内模拟仓库数年磨损。团队利用客户现场数据设定动态周期目标,结合全球多地测试站点确保设计鲁棒性并优化维护计划。实验室内的鸟类头部装饰为经典传统,虽随机械臂移动经历磨损,但工业电缆已针对百万级循环进行工程化设计。
NVIDIA Topograph 通过感知 GPU 拓扑结构进行工作负载放置,避免跨共享链路传输导致吞吐量下降和成本上升。该技术防止 GPU 因等待数据而空转消耗供电,确保在功率受限的 AI 工厂中实现价值最大化。
NVIDIA Isaac ROS 通过引入 AI Agent 和上游抽象层,利用 CUDA 后端优化消息传输,避免感知与 AI 负载在 CPU 内存中序列化或复制。该方案旨在解决仅靠快速 CUDA 内核无法保证高效 ROS 2 图的问题,确保 GPU 加速收益不被节点间通信损耗侵蚀。
NVIDIA TensorRT Multi-Device Integration 是一项新能力,支持单个 TensorRT 网络利用 NCCL 后端在多 GPU 上执行分布式集合。该功能自 TensorRT 11.0 起获得完全支持,旨在解决生成式 AI 的计算与内存需求超出单卡限制的问题。
部署 AI Agent 的关键在于验证其能否在真实环境中执行数十次连续工具调用并在步骤失败时恢复,而非仅判断模型回答是否合理。该评测范式推动评估重点从单一函数调用转向完整任务流程的闭环验证。
Skild AI 在首次商业部署十个月后年经常性收入突破 1 亿美元,其中约 90% 来自操作任务。CEO Deepak Pathak 与总裁 Abhinav Gupta 强调部署是机器人研究的隐藏支柱,并介绍了基于 NVIDIA 基础设施的 S1 模型,该模型支持通过上下文学习适应变化而无需重新训练权重。
推荐理由:Skild 宣布营收突破 1 亿美元,并阐述其以部署为核心驱动模型 S1 研发的策略与成果。
NVIDIA Dynamo 采用 Encode-prefill-decode (EPD) 解耦技术,将视觉编码器阶段与预填充及解码阶段分离。该技术对图像密集型提示、短至中等长度输出以及量化混合专家(MoE)模型效果最佳,可实现高达 5 倍的推理加速。
NVIDIA CUDA Toolkit 13.4 发布,首次将 Windows on Arm 平台纳入支持范围,此前该架构仅通过 Linux 运行 CUDA 应用。此次更新还提升了对共享 GPU 资源的控制能力,帮助开发者在更广泛的硬件生态中充分利用 NVIDIA GPU 性能与软件栈功能。
Frontier Reasoning 推理与智能体 AI 在边缘端部署曾受限于大模型无法本地运行,需依赖数据中心导致高成本与数据外泄。该现状正在改变,NVIDIA 提供在 Jetson 硬件上部署并优化模型的方案以解决上述约束。
NVIDIA PAIR Virtual Inference Router 通过扩展本地网络可用算力,支持将复杂任务拆解并由主智能体分配给专用子智能体执行。该方案应对多智能体会话并发运行及广度优先工作流日益普及的需求,旨在提升任务完成速度。
文章探讨将运动模糊从缺陷转变为可控输入的成像系统架构,主张先定义模糊预算再选择模型,联合优化光学、运动、照明与重建算法。作者介绍了基于此理念的 SCANIMUS 研发进展,强调必须记录物理变量作为元数据以拒绝超出验证范围的数据处理,并区分了研究原型与商业化产品的界限。
DepthAI v3.10.0 版本发布,新增基于特征匹配的图像拼接节点及通用消息对齐节点,支持 ImgFrame 等八类消息的保存与加载。该版本引入 ToF 去畸变功能、优化 NN 模型加载并将内存占用减半,同时修复了视频编码器参数校验等缺陷。
百度萝卜快跑携最新全球化成果亮相北京第十八届国际交通展,宣布拿下香港首个全无人驾驶测试牌照并在机场岛开展车内无安全员测试。全球布局方面,其在伦敦联合Uber、Lyft启动公开道路测试,在迪拜接入Uber实现双平台叫车,并首次进入中亚市场与哈萨克斯坦签署协议。
Orbbec 与具身智能公司 PsiBot 宣布建立战略合作伙伴关系,联合开发集成的软硬件数据收集解决方案以加速物理 AI 应用部署。双方将整合 Orbbec 的 Robot-Free Data Collection Hardware Platform 与 PsiBot 的 Psi-SynEngine 引擎,覆盖从前端采集到后端管理的全流程工作流。