跳到正文
10月27日周二
  1. arXiv · 机器人与计算机视觉49

    VLMProbe:开源视觉语言模型探测与解释库发布

    VLMProbe 是一个集成透镜读出、注意力归因及因果干预的开源库,支持跨架构系统分析与可视化。实验对比显示表征读出结果依赖分析目标且局部归因可能与干预效应不一致,SAE 评估则揭示了重构保真度等权衡。代码已公开,为选择方法与验证模型行为假设提供可复用基础。

10月26日周一
  1. 量子位76

    讯飞Spark-X2.6全栈国产模型发布:实测纯CPU运行完成3D故宫搭建与合同审查

    讯飞发布Spark-X2.6系列大模型,该模型基于全栈自主可控的国产算力平台构建,支持端侧与云端按需协同。实测显示,4B版本在仅靠CPU离线运行时,能独立完成跨文件数据核对、风险识别及代码生成任务(如搭建3D故宫网页),完成度约九成;云端版本则通过评语模型路由机制,将敏感信息脱敏后处理复杂合同审查,准确率提升至96.1%。

    推荐理由:实测讯飞Spark-X2.6全栈国产算力模型,验证其在纯CPU离线环境下的跨文件分析与代码生成能力。

  2. 量子位82

    岩山科技联合港科大、CMU开源EdgeRock-4B模型

    岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源了EdgeRock-4B模型,该模型基于Qwen3.5-4B改造,采用记忆岩锚(RMA)机制将每条序列的KV Cache固定在72 MiB,不随上下文长度增长。

    推荐理由:岩山科技联合港科大与CMU开源EdgeRock-4B,通过固定内存机制实现长推理显存不涨且吞吐提升6倍。

  3. arXiv · 机器人与计算机视觉75

    Velocity-Space 3D Asset Editing:一种无需训练的局部三维资产编辑方法

    该方法针对现有三维资产编辑中身份泄露与编辑信号不足的问题,提出 VS3D 框架。其核心在于在 ODE 采样器内部直接干预速度场,通过重构锚点注入、部分均值引导和双一致性残差注入三个模块,分别解决保留区域的身份保持、编辑信号增强及几何材质阶段的局部控制。实验表明该方法优于现有原生三维与二维提升的编辑器,代码已开源。

  4. arXiv · 机器人与计算机视觉72

    DepTR-MOT:揭示深度感知轨迹优化在多目标跟踪中的潜力

    针对现有基于检测的跟踪方法在遮挡和近距离交互场景下表现不佳的问题,本文提出 DepTR-MOT 模型。该方法通过基础模型的实例级软深度标签监督及稠密深度图蒸馏策略,将深度感知嵌入 DETR 架构,无需额外训练或推理阶段即可输出实例级深度信息。

  5. arXiv · 机器人与计算机视觉68

    RobustRLlib:面向鲁棒强化学习的统一库与基准

    RobustRLlib 是一个开源的统一库和基准平台,旨在解决现有鲁棒强化学习算法复用性差及能力边界不清的问题。该平台集成了 17 种代表性的在线、离线及安全 RL 算法,提供统一的接口以提升复用性;同时构建了涵盖多样化真实世界扰动以及先进类人形与视觉语言动作任务的增强型评测环境。

  6. arXiv · 机器人与计算机视觉78

    Shared Is Not Enough:掩码潜在预测中的预测器宽度与因子可读性研究

    Nilotpal Kakati 提出掩码潜在预测方法(如 I-JEPA)的信息保留机制尚不明确,为此构建了已知所有图像因子的模拟器以测量训练后各因子的可读性。实验显示,在相同视图对下,I-JEPA 使用半宽度的预测器时因子可读性中位数仅为 SimCLR 的约 40%,而将预测器宽度扩展至与编码器一致则逆转了这一排序。作者开源了该模拟器及训练好的模型。

    推荐理由:作者构建了可测量因子可读性的模拟器,发现掩码潜在预测中预测器宽度对信息保留起关键作用。

  7. arXiv · 机器人与计算机视觉16

    AutoMIL:自动化多实例学习框架实现全切片图像分类基准

    AutoMIL 是一个开源框架,通过自动化预处理、训练和评估等流程解决全切片图像分类难题。在默认设置下,该框架在 UBC-OCEAN、PCam 及 TCGA-NSCLC 子集上分别达到 0.94、0.99 和 0.93-0.96 的 ROC-AUC 分数,性能媲美专用流水线。其结果表明集成策略能提升不平衡数据表现,为无需手动配置的分类任务提供了可访问的基准。

  8. arXiv · 机器人与计算机视觉48

    TIE:免训练 CLIP 嵌入引导实现组合式文生图语义对齐

    TIE 是一种针对基于 CLIP 的文生图扩散模型提出的免训练推理时解决方案,旨在解决多对象多属性提示下的概念丢失与混淆问题。该方法通过熵感知奇异值放大处理概念丢失,并利用 CLIP 注意力分数进行插值外推绑定以消除概念混淆。实验表明,TIE 在提升多概念场景语义保真度的同时,仅引入极小的采样开销且无需额外训练。

  9. 盖世汽车 · 汽车资讯75

    简智机器人开源Gen-HumanWholeBody 600小时全身操作数据集

    简智机器人正式开源Gen-HumanWholeBody数据集,包含600小时高精度全身移动操作数据,覆盖16976个场景和1281种人类技能。该数据集采用第一视角Ego视觉方案采集,利用自研数据基础模型(DFM)将原始行为转化为结构化数据,实现了多模态统一对齐,可直接投入机器人策略训练。

10月25日周日
10月24日周六
  1. 量子位80

    高德发布首个基于开放世界行为的全身基座模型λ0

    阿里巴巴集团旗下高德正式发布首个基于开放世界行为的全身基座模型λ0,该模型仅依靠人类行动数据即可让机器人学习移动、姿态与双手操作的全身协调。在SIMPLE仿真基准及多项真机评测中,λ0均取得SOTA表现,数据采集效率约为主流方法的3.4倍,真机任务成功率较最强对比基线提升22.5%。

    推荐理由:高德发布首个基于开放世界行为的全身基座模型λ0,仅凭人类行动数据实现零样本迁移,并开源了相关硬件配置代码与HumanVerse数据样例。

10月23日周五
  1. 智元 AGIBOT · Newsroom87

    智元开源 AGIBOT WORLD Release 4:面向物理推理的数据集

    智元宣布开源 AGIBOT WORLD 2026 的第四版发布内容“物理推理”数据集,将任务设计重心从操作难度转向决策复杂度。该数据集覆盖具身智能五大研究方向,包含超 10 类逻辑推理场景,记录同一目标在不同状态与约束下的决策与执行过程。通过连接高层指令、子任务分段、动作步骤及空间标注,支持决策模型与底层策略的协同训练,旨在帮助机器人从孤立操作迈向自主完成复杂现实任务。

    推荐理由:智元开源 AGIBOT WORLD Release 4,提供涵盖多状态约束的物理推理数据集与细粒度标注,支持决策 - 执行联合训练。

  2. arXiv · 机器人与计算机视觉82

    FluxVLA Engine:面向具身智能的一站式 VLA 工程平台发布

    FluxVLA Engine 是一个开源的配置驱动型工程平台,旨在将异构的具身策略组件转化为可复现的数据至部署工作流。该平台标准化了数据集、视觉语言与世界模型接口,集成了双臂仿真、自动数据生成及人机协同修正功能,并通过实时分块与加速推理后端支持物理执行。代码已公开于 arXiv 链接,解决了阻碍具身学习算法可靠部署的工程瓶颈。

    推荐理由:FluxVLA Engine 提供统一配置驱动平台,整合仿真、数据生成与实时推理接口,解决具身策略从算法到部署的工程碎片化问题。

  3. arXiv · 机器人与计算机视觉33

    EdgeCrafter:通过任务专用蒸馏实现边缘端稠密预测的紧凑 ViT 框架

    EdgeCrafter 提出统一紧凑 ViT 框架 ECDet,利用仅 COCO 标注数据在少于 10M 参数下实现 51.7 box AP,其 X 变体经 Objects365 预训练后分别达 59.9/49.8/75.9 AP。该方案证明结合任务专用蒸馏与边缘感知设计的紧凑 ViT 可成为资源受限设备上的实用竞争解法。代码已开源,论文被 TMLR 2026 接收。

  4. arXiv · 机器人与计算机视觉82

    FastHarness:面向视觉语言动作策略的经验驱动审查调度

    论文介绍 FastHarness,一种经验驱动的机器人执行框架,用于自适应调度 GPT-6 Astra 对{π}0.5 策略的监督。该方法通过阶段记忆和已审查结果减少审查频率,并在发现错误时聚焦于纠错;验证恢复后继续常规执行并保留失败经验以指导未来干预。

    推荐理由:FastHarness 提出经验驱动的审查调度机制,在不训练模型前提下将 GPT-6 Astra 监督的 Token 使用量平均降低 57.2%,并在四项仿真任务中将成功率从 80% 提升至 97.19%。

  5. arXiv · 机器人与计算机视觉72

    PiHand:面向物理策略学习的潜在手物交互先验框架

    论文介绍 PiHand 框架,通过训练专家策略蒸馏出统一的手物交互先验,并在潜在空间进行有界残差探索以解决灵巧操作任务。该方法在 GRAB 和 DexYCB 数据集上实现了跨物体与轨迹的泛化,并能迁移至抓取和双手交接等未见过的任务,且各项指标均优于基线。作者将发布处理后的数据与模型检查点。

  6. arXiv · 机器人与计算机视觉75

    WovenAnchor Matcher:面向特征匹配的专用图像内与跨图上下文建模方法

    论文提出 WovenAnchor Matcher(WAM),一种基于角色专业化上下文聚合的半稠密特征匹配框架。该方法引入两个互补算子:WovenMamba 通过水平随后垂直的状态空间传播实现图像内聚合,保留二维依赖结构;AnchorCrossAttention 利用交叉注意力从跨图像的合理对应区域收集上下文信息。

  7. arXiv · 机器人与计算机视觉72

    SmolVLA-MoE:用于高效多任务机器人操作的稀疏混合专家模型

    针对现有轻量级 VLA 模型在受限算力下多任务能力不足的问题,该研究提出 SmolVLA-MoE 框架,将稀疏混合专家结构引入动作专家的 FFN 层。通过共享专家与可调节权重平衡预训练能力继承与任务特异性专长,推理时仅激活单个专家 FFN(总激活参数约 500M),同时存储约 800M 参数。

  8. arXiv · 机器人与计算机视觉87

    SplatLab:面向 3DGS 研究的自主科学发现系统

    SplatLab 是一个针对 3D Gaussian Splatting 领域的自主研究系统,解决了现有系统在模板限制和可执行性上的不足。该系统能根据提示或论文链接复现基线、提出扩展方案并在 Mip-NeRF 360 等数据集上训练消融实验,同时将手稿中的每个数据点绑定到具体的日志运行记录。

    推荐理由:该系统实现了端到端的自主科研闭环,能复现基线、提出扩展并绑定实验数据生成手稿。

  9. arXiv · 机器人与计算机视觉58

    EgoHand:基于自摄视频的单体 3D 手部重建模型

    论文介绍 EgoHand,一个针对自摄视频的单体 3D 手部重建模型。该方法构建了包含合成数据、真实视频和多相机动捕的高质量训练语料(1400 万图像),采用 SOMA-Hand 参数化表示并结合 Transformer 编码器处理 2D 手部裁剪,引入相机线索与辅助分支以提升几何一致性与对齐效果。

  10. Hugging Face Daily Papers78

    超越观看与搜索:面向视频中心深度研究报告的智能体基准测试

    针对现有基准未评估以视频为核心源头的深度研究问题,该工作提出 Video-Centered Deep Research Report Generation 任务,要求智能体根据视频和用户请求生成交互式报告并链接关键片段。

    推荐理由:该工作提出以视频为核心的深度研究报告生成任务,并开源 OmniDR-Bench 基准与评测体系,为多模态智能体评估提供新工具。

  11. Google DeepMind MuJoCo · Releases52

    MuJoCo 3.17.0 发布:新增批量模拟 API 与弹性纤维模型

    Google DeepMind 发布 MuJoCo 3.17.0,核心更新包括新增 mjbatch 批量模拟接口以支持多线程并行计算,改进 Flex 模块的弯曲弹性与自碰撞检测,优化纹理内存占用并修复渲染器 Bug。该版本同时引入 Bazel 构建支持及多项 API 变更,旨在提升物理仿真效率与稳定性。

10月22日周四
  1. arXiv · 机器人与计算机视觉82

    AgiBot World Colosseo:大规模具身智能操作平台与通用策略开源

    论文介绍 AgiBot World Colosseo 平台,包含超百万条轨迹覆盖 217 个任务及五种部署场景,通过标准化采集管线保证数据质量与多样性。

    推荐理由:Agibot World 发布百万级轨迹数据集与 GO-1 通用策略,预训练模型在域内及分布外场景均提升 30% 性能。

  2. arXiv · 机器人与计算机视觉35

    CoLeTra:一种提升图像分割拓扑准确性的数据增强方法

    CoLeTra 是一种数据增强方法,通过人为切断薄管状结构(如血管)的图像连接但保留原始标签,让模型学习“看似断开实则连续”的先验知识以改善拓扑精度。该方法在多种架构、损失函数及数据集上的实验表明,其分割结果拓扑更准确,Dice 系数与 clDice 指标通常优于基线。作者同时发布了一个专为提升拓扑准确性设计的专用数据集,代码托管于指定 URL。

  3. arXiv · 机器人与计算机视觉82

    PCLA-Bridge:CARLA 智能体跨域部署框架发布

    PCLA-Bridge 是一个无需活跃 CARLA 服务器即可运行未修改 CARLA Leaderboard 智能体的工具,支持从任意传感器源到任意控制目标的部署。

    推荐理由:PCLA-Bridge 框架允许在不修改 CARLA Leaderboard 模型的情况下,将其跨域部署到 MetaDrive、AWSIM 等仿真引擎及真实数据流中。

  4. arXiv · 机器人与计算机视觉3

    GuidedSAM-Plume:面向火山羽流的专家引导分割框架开源发布

    GuidedSAM-Plume 是一个利用 SAM2 零样本空间提示能力的开源专家引导框架,专为交互式分割火山羽流与云层而设计。该框架在挑战性数据集上经专用指标验证,仅需少量用户输入即可显著提升性能并保留地质参数可靠性,且无需重新训练。相关代码、数据集及重标注数据已在指定 URL 开放获取,适用于更广泛的环境科学领域。

  5. arXiv · 机器人与计算机视觉35

    Rethinking Underwater Image Enhancement:基于文本引导退化课程的学习框架

    针对现有水下图像增强数据集规模有限且难以获取的问题,研究提出统一退化感知训练框架。该框架利用文本条件退化增强管道合成多样化样本,并通过渐进式退化课程与传输引导单步扩散模型提升鲁棒性。多项基准实验表明该方法性能优越,代码与模型将在论文发表后开放。

  6. arXiv · 机器人与计算机视觉53

    LLMSeg:一种无需训练的文本提示图像分割方法

    LLMSeg 是一种无需训练即可将视觉能力大语言模型转化为文本提示图像分割器的流水线。该方法将分割分解为三个阶段:首先检测并描述匹配自由文本查询的实例及其粗略形态;其次使用封闭周期性 B-样条追踪每个实例以定义外边界和可选孔洞循环;最后迭代细化,围绕残差错误重新追踪受限样条直至掩码稳定或预算耗尽。

  7. arXiv · 机器人与计算机视觉82

    NeuralSRender:一种基于 G-Buffer 引导的视频扩散仿真实到真渲染框架

    针对自动驾驶感知领域高质量标注数据稀缺及合成视频拟真度不足的问题,本文提出 NeuralSRender 框架。该框架基于预训练视频扩散 Transformer(DiT),利用轻量级投影器注入 G-Buffer 中的几何与材质先验,并通过 LoRA 实现参数高效适配。