跳到正文
11月3日周二
  1. arXiv · 机器人与计算机视觉42

    LeRobot 0.6.1 LIBERO 仿真评测中验证配对测试状态身份的方法与局限

    针对向量化重置条件下终止时序差异导致初始状态不一致的问题,研究提出包含 I1-I5 不变量、溯源日志及自动检查器的评估完整性框架。受控实验显示同步控制下无 ID 错配,但异步冻结批次映射存在不匹配且机制未完全隔离。建议在进行配对统计前核查声明与解析的初始化状态身份及溯源信息。

  2. arXiv · 机器人与计算机视觉43

    PhoneValue-Bench:面向二手手机复购估值的多模态基准与数据集

    PhoneValue-Bench 填补了现有资源忽视店员对齐换机领域的空白,提供包含超两万订单及数十万标注图像的弱监督训练集。提出的 ValueAgent 流水线在 Bench-Full 测试集上达到 84.1/100 分,外观与店员字段填充率分别为 97.0% 和 54.1%,确立了实用的双真值基准。该工作包含可执行的公开评分器与提交 schema,旨在解决多视角外观与诊断屏幕的联合推理难题。

  3. arXiv · 机器人与计算机视觉78

    SceneBound:流式三维重建模型应记住多少?

    论文提出 SceneBound,一种无需训练的规则,用于决定流式三维重建模型何时写入关键帧。该规则仅在预测相机位姿距离所有存储的关键帧超过固定半径时写入,使关键帧数量与访问位姿的覆盖数成常数倍关系。在 CUT3R 和 StreamVGGT 等模型的循环状态或 KV 缓存中,该方法实现了评估的训练免费规则中的最低平均轨迹误差,且关键帧增长仅占 3% 至 6%。

    推荐理由:提出无需训练的 SceneBound 规则,通过几何覆盖数控制流式三维重建模型的记忆量与漂移。

  4. arXiv · 机器人与计算机视觉78

    Roz:世界模型潜变量的味觉测试

    论文指出当前世界模型虽在图像相似度上表现优异,却忽略了质量、形变等关键物理细节。作者提出 Roz 评估框架,包含 10 个对比任务和 3 个连续任务共 1734 个场景,仅需静态帧或视频输入即可运行。该研究旨在推动基准测试的快速迭代与跨模型比较,并已在 NeurIPS 2026 相关研讨会接受。

    推荐理由:提出 Roz 评估框架,通过对比与连续任务验证世界模型是否编码物理属性,解决现有评测不透明问题。

  5. arXiv · 机器人与计算机视觉84

    低参数 regime 下视觉语言动作模型的行為引导

    论文研究了如何用极低容量(8 至 384 个可训练参数)的 TinyLoRA 适配器对预训练的 OpenVLA-OFT 7B 策略进行行为引导,使其在保持预训练能力的同时适应如“举高物体”等风格偏好。

    推荐理由:该文展示了仅用 256 个可训练参数即可通过微调改变 VLA 执行风格,同时保留大部分预训练能力。

  6. arXiv · 机器人与计算机视觉42

    LF-VideoQA:基于心智理论长视频问答的评估基准

    LF-VideoQA 数据集包含 94 部影片超 6300 个需跨场景推理的心智理论问题,平均跨度 23 分钟。评测显示最佳开源视觉语言模型召回率仅为拥有剧本的预言家模型的一半,且字幕表现逊于视频本身。该数据集完全自动构建并附带评分细则,旨在纠正现有长视频任务过度简化为检索的问题。

  7. arXiv · 机器人与计算机视觉42

    SketchBloom:免训练矢量素描外推与笔触级风格控制框架

    SketchBloom 是一个免训练的矢量素描外推框架,结合预训练光栅化外推、风格迁移引导与逐实例向量优化,生成含贝塞尔曲线的可编辑 SVG。在 LineArtOut-1K 数据集上,该方法在统一矢量化条件下,感知、语义及结构保真度均优于评估的矢量基线。单张处理耗时约 6 分钟(NVIDIA H200 GPU),无需任务特定网络训练或模型重训。

  8. Hugging Face Daily Papers58

    CUA-Master:通过开放世界递归改进扩展计算机使用智能体

    针对计算机使用智能体(CUAs)面临的数据多样性、可控性与可靠性受限问题,该研究提出 CUA-Master 嵌套双循环递归改进框架。系统层利用外环数据 - 模型飞轮结合开放语料与模型弱点指导迭代;数据层内环耦合开放世界种子采集与自催化传播机制,从教学视频中挖掘真实工作流并重构轨迹,转化为可复用基元以合成复杂任务。

  9. Hugging Face Daily Papers78

    Harness-S:通过兄弟 Harness 学习实现可泛化智能体训练

    论文提出 Harness-S 方法,针对智能体训练中基座执行系统(harness)的局部性、互补性和非平稳性问题,引入方向性 Harness 演化构建可复用的兄弟 Harness 池。

    推荐理由:提出 Harness-S 框架,利用辅助 harness 修复基座执行失败并将能力迁移至策略,在 AppWorld 等基准显著优于纯策略训练。

11月2日周一
  1. 智东西 · 机器人42

    机本智能完成近千万美元融资,打造聚焦灵巧操作的机器人“小脑”强化学习平台

    北京具身公司机本智能宣布连续完成两轮融资,累计金额近千万美元(约合人民币0.67亿元)。该公司由两位"00后”研究员创立,聚焦机器人灵巧操作,致力于构建将仿真、真人演示与生成轨迹结合的训练数据体系。团队采用强化学习路线,旨在打造适配不同硬件的“小脑”,实现从仿真环境向真实硬件的迁移验证。

  2. arXiv · 机器人与计算机视觉70

    I3L:面向全身移动操作的迭代交互式模仿学习

    针对离线训练的遥操作演示在长视界全身移动操作中泛化性差的问题,本文提出 I3S 系统,结合低成本的 JoyLo+ 接口与策略追踪机制实现全身协同修正及迭代重训练。实验显示,四轮 HG-DAgger 协议下该系统在所有任务中成功率均超 90%,平均提升自主成功率 68.3 个百分点,显著优于仅基于演示的训练方法。

  3. arXiv · 机器人与计算机视觉72

    Sparkle:通过解耦指导实现生动的指令引导视频背景替换

    针对现有公开数据集在背景替换任务上表现不佳、生成的背景静态且不自然的问题,本文提出了一种可扩展的流水线,以解耦方式生成前景与背景指导并进行严格质量过滤。在此基础上,作者开源了包含约 140K 视频对的 Sparkle 数据集(涵盖五种常见主题)以及 Sparkle-Bench 基准。

  4. arXiv · 机器人与计算机视觉48

    No Channels Left Behind:扩散模型加速的残差门机制研究

    该研究揭示扩散 Transformer 训练加速(如 REPA)源于 AdaLN-Zero 残差门$\alpha$的重构而非仅靠特征结构。引入归一化参与率 nPR 发现,更广泛的门参与伴随更好的生成质量。基于此提出无需教师的径向目标,在 ImageNet $256\times256$上提升 FID 并增加门参与度。

  5. arXiv · 机器人与计算机视觉65

    更好的评论家对分布匹配蒸馏至关重要:联合缩放与步感知评论家

    该论文研究了分布匹配蒸馏(DMD)中评论家的容量与信息需求。实验表明,固定小评论家而增大教师模型会导致训练崩溃;通过联合缩放评论器与教师模型可避免此问题。此外,提出的步感知评论家(STAC)能根据生成步骤估计特定分数,显著提升了 ImageNet 图像生成、SDXL/FLUX.2 文生图及 Wan2.1 文生视频的性能。

  6. arXiv · 机器人与计算机视觉72

    Movens-Zero:基于大规模人类视频扩展人形运动基础模型

    该论文提出了 Movens-5M 数据集和 Movens-Zero 架构,旨在解决人形机器人运动基础模型训练数据稀缺及多模态联合学习难题。Movens-5M 包含 1500 万个人类动作序列和 500 万个可执行的人形动作序列,涵盖超 10,000 小时视频,并与文本、RGB 图像、语音及音乐对齐。

  7. arXiv · 机器人与计算机视觉76

    Coarse3D:面向图像转三维的可控且忠实稀疏结构生成

    论文提出 Coarse3D 模型,旨在从任意非定位图像中生成可控朝向且几何忠实的体素结构,以解决现有方法在方向控制和二维至三维映射上的不足。该模型采用首帧锚定规范空间、双塔 DiT 架构及空间先验引导注意力机制三项设计,能够直接替换现有流程中的粗粒度阶段。实验表明该方法显著提升了稀疏结构质量并持续增强最终三维生成效果,达到当前最先进水平。

    推荐理由:提出 Coarse3D 模型解决稀疏结构生成中的方向控制与几何一致性难题,可替换现有流程的粗粒度阶段。

  8. arXiv · 机器人与计算机视觉82

    MotorSense:首个大规模配对视频与肌电信号的动作理解数据集

    针对计算机视觉模型仅依赖视觉后果而缺乏本体运动信号的问题,该工作提出了 MotorSense,这是首个大规模的双手肌电(EMG)与第一人称视频配对数据集。数据包含 100 小时无脚本操作中的同步视频、双手 EMG、IMU 及音频。

    推荐理由:该工作提出首个大规模配对视频与肌电信号数据集,通过跨模态预训练实现视听对齐,在动作识别等任务上超越传统自监督方法。

  9. arXiv · 机器人与计算机视觉78

    FlapSim:一种可组合的 MuJoCo 扑翼仿真平台及降阶气动模型层级

    该论文提出了 FlapSim,一个模块化的开源 MuJoCo 仿真平台,用于解决扑翼飞行中高频气动动力学与低频飞行控制/强化学习动态之间的协调问题。研究在 48 个涵盖频率、舵机、风场等场景的独立测试集中,对比了五种降阶配置,发现结合多速率时钟同步、三维流入耦合及相位锁定谐波合成的五块模型架构,在保持 65.19 倍 CPU 加速的同时将平均力矩保真度提升至 0.9646。

    推荐理由:该工作提出了 FlapSim 模块化开源平台,在 MuJoCo 框架下实现了高频扑翼气动与飞行控制的确定性模拟,并量化了不同简化模型在精度与速度间的权衡。

11月1日周日
  1. Hugging Face Daily Papers82

    Democratizing Robot-Use Agents: A Unified Harness with Open Models

    论文介绍 uni-robot-agent 框架,旨在通过开放权重模型降低机器人使用代理(RUA)的研究门槛。实验显示,无需特权输入时,Qwen3.8-Flash-Next 在 RoboDojo 基准上得分 31.39,超越 GPT-6 Astra-RoboProbe 的 28.97 分,并在 19 个真实世界任务中表现具有竞争力。

    推荐理由:该工作提出统一框架 uni-robot-agent,验证了开源模型在无特权输入下即可达到与闭源模型相当的零样本操作能力。

10月30日周五
  1. Hugging Face Daily Papers54

    混合电脑使用:通用智能体的统一程序化语义与视觉接口

    针对现有截图与鼠标键盘交互限制智能体能力的不足,本文提出混合电脑使用(HCU)框架,通过代码命令行、无障碍 API 和图形用户界面三种互补通道实现统一交互。该框架支持高效的无障碍交互并防止状态过时,配套技能引导智能体灵活选择与组合通道。在 OSWorld 2.0 基准测试中,该方法在所有对比系统中取得了最高的部分得分和二分类得分,显著提升了任务成功率与效率。

  2. arXiv · 机器人与计算机视觉41

    ViP-Rig:视觉提示可控绑定框架实现骨骼生成与蒙皮预测

    ViP-Rig 是一种通过注入用户手绘或编辑的二维骨骼及刚性提示来支持提示优先绑定和结果引导编辑的视觉提示框架。该框架包含骨骼生成与蒙皮预测两阶段,将提取的特征注入冻结预训练主干以控制关节布局并保留几何先验。在 Articulation-XL2.0 数据集上的实验表明,ViP-Rig 在提示引导下比基于几何的条件基线更准确地恢复目标骨骼和蒙皮权重。

  3. arXiv · 机器人与计算机视觉68

    VisHarness:学习驾驭异构专家进行多轮视觉推理

    VisHarness 是一个可训练的视觉智能体,旨在解决现有专用视觉模型难以兼顾复杂语言理解与小物体感知的问题。该工作提出将高层感知、推理与决策同底层任务执行解耦,通过轻量训练让 VisHarness 学会调度一组精心设计的异构视觉专家,从而在多样化场景中完成基础视觉任务。

  4. arXiv · 机器人与计算机视觉72

    MedCore:一种保留边界的医学核心剪枝方法

    针对医学分割基础模型图像编码器过大及压缩易损边界的问题,作者提出了 MedCore 结构化剪枝框架。该方法通过双重干预评分识别适应过程中的重要结构,利用边界感知 Fisher 估计筛选高边界杠杆率的结构,并引入边界杠杆原理解释 Dice 保持而边界指标下降的现象。

  5. arXiv · 机器人与计算机视觉82

    Gen-Searcher:首个搜索增强的图像生成智能体

    针对现有图像生成模型缺乏实时知识与多跳推理能力的局限,本文首次训练了具备搜索能力的图像生成智能体 Gen-Searcher。研究构建了专用数据管道与两个高质量数据集(Gen-Searcher-SFT-10k 和 Gen-Searcher-RL-6k),并引入 KnowGen 基准以评测搜索 grounded 的外部知识能力。

    推荐理由:作者提出首个搜索增强型图像生成智能体,开源数据集与基准评测,为知识密集型场景提供新方案。

  6. arXiv · 机器人与计算机视觉82

    BBoE:利用边束进行动力学双向运动规划

    本文介绍 BBoE,一种结合探索与利用、依赖预计算机器人运动的快速双向动力学采样规划算法。该策略通过利用预计算的边束(bundle of edges)在障碍物密集环境中高效收敛至目标。

    推荐理由:该工作提出利用预计算运动束的双向动力学规划器,在四套不同系统中实现高成功率与低耗时。

  7. arXiv · 机器人与计算机视觉62

    Inverse-and-Edit:一种用于快速图像编辑的简单有效框架

    针对加速扩散模型文本引导编辑中逆推不可靠、误差累积及迁移性差的问题,本文提出 Inverse-and-Edit 通用框架。该方法直接最小化整个轨迹的全局编辑目标,仅通过两个轻量级 LoRA 适配器微调基座模型 1.5%-7% 的参数,在 HQ-Edit 数据集上训练少于 10K 个三元组。

  8. arXiv · 机器人与计算机视觉58

    GSVC:基于 2D 高斯泼溅的高效视频表示与压缩

    论文提出 GSVC,一种基于 2D 高斯泼溅的视频编解码器,利用时间冗余和残差量化实现高效压缩。该方法通过区分锚帧与传播帧、随机添加高斯点及两遍编码策略提升质量,渲染速度达 1500 fps(1920x1080),性能对标 AV1 和 VVC。材料为 arXiv 预印本,非同行评审成果。