跳到正文
10月30日周五
  1. arXiv · 机器人与计算机视觉78

    RoboAtom:大规模原子动作监督用于机器人学习

    针对现有机器人数据集缺乏细粒度子任务标注且格式不统一的问题,该工作提出 RoboAtom-Data,为多源数据添加统一的、时间对齐的原子动作标注,涵盖 145 万条轨迹和 688 万个技能标记片段。

    推荐理由:该工作提出 RoboAtom-Data,为多源机器人数据提供统一原子动作标注与基准,并证明其能提升技能识别精度及分层执行的任务成功率。

  2. arXiv · 机器人与计算机视觉82

    RoboSeed:VLA 与世界动作模型的多维评估框架

    论文提出 RoboSeed 框架,旨在解决机器人动作模型选型中仅看成功率信息不足的问题。该框架从能力、下游训练成本、部署成本、本地验证研究价值及复现证据五个维度,利用固定归一化锚点将实证测量映射为 0-100 分档画像。

    推荐理由:提出 RoboSeed 多维评估框架,从能力、资源成本及复现证据等维度量化 VLA 与 WAM 模型,为不同预算团队提供选型依据。

  3. arXiv · 机器人与计算机视觉75

    解锁预训练自回归图像模型的任意顺序生成

    针对自回归图像模型在推理时无法灵活编辑或补全的问题,本文提出一种适配预训练模型的方法,利用未来感知位置编码和排序课程学习,在不改变标准推理栈的前提下实现任意顺序生成。实验显示该方法在 ImageNet 补全任务上优于 MaskGIT,计算开销仅增加 13%-33%。代码已开源。

  4. arXiv · 机器人与计算机视觉35

    EmbodiExp:具身智能体通过组合经验实现任务迁移的框架

    EmbodiExp 框架提出基于子目标结果的体验构建方法,将策略、适用条件与可验证结果在线组合以指导动作生成。实验在多个具身基准上采用冻结经验库协议验证了有效性,利用失败轨迹提取局部成功并生成避错引导。该成果发表于 arXiv,属于预印本状态,代码与数据开放许可情况原文未详述。

  5. arXiv · 机器人与计算机视觉68

    VEvo-Harness:首个用于代理图像生成的因果保护持续自我进化系统

    针对现有代理生成流程中 VLM 判断粗糙导致技能库被污染的问题,本文提出 VEvo-Harness,这是首个具备因果保护的持续自我进化系统。该系统通过分层验证树将稀疏判断转化为根因归因,利用反事实双臂图像回放仅接纳因果有效的技能补丁,并将经验蒸馏为可路由的持久化能力库,同时基于根因动态调度修复策略以维持系统的持续进化与泛化能力。

  6. arXiv · 机器人与计算机视觉52

    检测图像数据集间细粒度差异的方法与新基准

    论文提出了一种分析图像数据集分布差异的新方法:先用细粒度 patch embedding 从宽泛列表中选择概念替代昂贵的 MLLM 提案,再将计算资源用于优化这些概念以发现细微差异。研究还设计了关注低频和多概念区分度的新基准,并展示了该方法能有效检测虚假相关性和偏差。

  7. arXiv · 机器人与计算机视觉58

    建筑损毁评估中的邻里捷径诊断与证据插件

    针对高分辨率卫星影像建筑损毁评估中模型过度依赖邻居信息而忽略孤立受损建筑的问题,研究团队提出一种无需重训的‘建筑证据’插件。该插件引入仅关注建筑本身和经交换训练以不信任环境的两个专家模块,在保持整体精度的同时,将孤立受损建筑的检测率从 1-6% 提升至 13-39%,并将误判率降低 40-69%。

  8. arXiv · 机器人与计算机视觉72

    SKiD-SLAM:面向行星任务的资源感知分布式多机器人 LiDAR SLAM 系统

    该研究提出 SKiD-SLAM 系统,旨在解决未来行星探测任务中通信受限、算力有限且无中心基础设施的挑战。团队在公开数据集和 NASA JPL 开源漫游车模拟器上验证了系统模块,随后在韩国济州岛马扬熔岩管洞穴及京畿道 KICT 模拟地形进行了实地部署。

  9. arXiv · 机器人与计算机视觉82

    METATRON:一种面向人形机器人的可提示词驱动全身执行层

    论文介绍 METATRON,这是一种结合生成式基础策略与可编程技能层的可提示词全身执行架构。基础策略接收包含时间目标、速度指令和风格线索的提示词,输出协调运动;训练数据融合动作捕捉、合成恢复轨迹及重定向场景交互。

    推荐理由:提出可被提示词驱动的全身执行层,将编程技能与生成式策略结合,在物理机器人上实现多任务冻结策略。

  10. Hugging Face Daily Papers45

    HairDeck:从单图生成动画就绪风格化发丝卡片的计算机视觉方法

    HairDeck 提出一种将发型视为无序集合的扩散 Transformer,能从单张图像直接生成发丝卡片及驱动它们的弹簧骨骼链。该方法在 CHARM 测试集上将 Chamfer 距离降低 44%、卡片方向误差减半且速度提升 33 倍,优于现有融合网格与逐缕方法。项目页面已提供代码与权重,适用于游戏与虚拟形象动画制作。

  11. 量子位80

    清华联合无问芯穹、智元提出具身智能群体经验学习新范式

    清华大学联合无问芯穹、智元提出群体经验学习(CEL)新范式,让机器人通过借鉴同伴经验实现自主进化。在96台真实机器人集群中验证了该范式,五项任务成功率均超人类平均水平,且随规模扩大持续提升。系统层面构建了容错异步训练系统,算法层面提出失败引导的经验检索微调方法,打通了从单台能力提升到群体持续进化的产业化链路。

    推荐理由:清华联合无问芯穹、智元提出群体经验学习新范式,在96台机器人集群中验证了规模化落地路径。

  12. Hugging Face Daily Papers74

    证据引导的 AI 智能体任务恢复:处理模糊工具结果与部分执行

    针对工具超时导致 AI 智能体面临模糊结果和部分执行的场景,该研究提出基于证据的任务恢复框架。方法结合标准观察依赖规划与独立的效果历史裁决器,通过共享可采性检查处理密钥过期、授权时序及残留效应,并利用终端证书区分目标满足与安全完成。

  13. 量子位78

    PSI自研AI科研系统Emmy解决5道量子难题并开源代码

    刚成立不久的物理超级智能(PSI)公司宣布,其自研AI科研系统Emmy在量子信息理论的5个开放问题上取得进展,其中3题为本世纪初收录的难题。论文、Lean形式化证明及验证代码已上传至GitHub供学人审查。该系统采用“生成 - 验证”分离架构,利用大模型拆解假设并通过Lean编译器进行严格数学逻辑筛查,旨在实现科学发现的规模化生产。

    推荐理由:PSI公司宣布其自研AI科研系统Emmy在量子信息领域取得突破,并公开了Lean形式化证明与验证代码供审查。

  14. 量子位35

    Genspark Media Studio 视频 Agent 工作台发布,接入 70+ 模型实现零基础拍短剧与游戏

    Genspark Media Studio 正式推出 All in one 视频 Agent 工作台,集成 DeepSeek V4.1 Flash、Seedance 2.5 等 70 多个模型版本。实测显示其支持一键生成奥特曼 rap 短片及《定价夜》商剧,利用代码渲染与白模预演降低返工成本。用户无需切换平台即可完成从剧本到剪辑的全流程,Plus/Pro 会员在特定时段享受五折优惠。

10月29日周四
  1. 量子位50

    威卡发布具身智能赋能工程机械高质量数据集

    威卡移动控制于 2026 年 10 月在徐州人工智能大会发布覆盖 3600 万帧、含 12 类场景的挖掘机作业数据集,打通视觉激光位姿力馈手柄输入五维数据同步对齐链路。该开源数据集旨在解决真实数据稀缺痛点,依托威卡三十年智控硬件积淀为具身智能模型训练提供高质量物理世界数据底座。

  2. 量子位72

    逐际动力开源FluxVLA Engine V2:打通具身智能训评测与真机部署全链路

    逐际动力发布FluxVLA Engine技术报告V2版,该开源工程底座支持在线强化学习后训练、扩展仿真评测范围并验证了从模型到多平台真机的闭环执行。实测显示推理频率提升最高9.64倍,LIBERO任务成功率显著提升,且通过实时动作分块协调解决了真机部署的连续性问题。

  3. 量子位70

    扩散智能发布Clover-35B-A3B-Preview:Agent任务速度比Jev快一倍

    扩散智能发布了全新的扩散语言模型Clover-35B-A3B-Preview,采用MoE架构和块扩散技术,支持思考模式与工具调用。在WindTunnel评测中,其中位执行时间为1.52秒,成功率98.6%,速度比Jev组合快一倍且成功率略高;在SWE-bench Verified上得分为73.6。该模型由香港大学孔令鹏教授团队创立,后续将推出多模态版本并适配端侧场景。

  4. 智元 AGIBOT · Newsroom87

    智元发布 GO-3 Preview 预训练模型,在三大具身智能基准测试中位列第一

    智元今日发布 GO-3 Preview 具身基础模型,该模型支持从预训练、后训练到部署后的全生命周期学习,并在 RoboDojo、RoboTwin 和 RoboColiseum 三项主要具身智能基准测试中获得第一名。

    推荐理由:智元发布 GO-3 Preview 预训练模型,在三大基准测试中位列第一,并开放全生命周期学习架构与仿真工具链。

  5. Hugging Face Daily Papers72

    Mage-VL-Cowork:一种从演化架构中学习混合计算机使用的完整训练配方

    论文介绍了 Mage-VL-Cowork,这是一个 4B 参数的混合计算机使用智能体(CUA),旨在将视觉 GUI 交互与代码及终端执行无缝结合。研究通过 Mage-CUA-Forge 合成超过 29.3 万个桌面和网页任务,并采用分阶段课程学习策略,最终在 OSWorld-Verified 基准上达到 66.0% 的准确率,实现了同参数量下的最先进性能。

10月28日周三
  1. The Robot Report75

    WorldOracle 评测基准:检验世界模型能否可靠预测真实执行

    WorldOracle 是一个针对动作条件世界模型的评测基准,由普林斯顿大学、UT Austin、多伦多大学、NVIDIA 和 AgiBot 联合推出。该基准通过对比模型生成的预测视频与从相同初始观测出发、遵循相同动作序列的真实机器人执行结果(包括成功与失败案例),量化物理状态正确性、空间对齐度等指标。

  2. 上海人工智能实验室 · 科研动态9

    上海 AI 实验室举行 2026 级博士生迎新活动并聘任首批兼职导师

    上海 AI 实验室于 10 月 23 日至 25 日举办 2026 级专项博士生迎新周,期间完成首批兼职导师聘任以构建多元协同育人网络。实验室主任周伯文勉励新生立足底层范式重构 AI 与科研关系,成长为 AI 原生研究者。活动涵盖科研辩论、圆桌交流及心理支持等环节,旨在护航学生全周期成长并服务国家重大战略需求。

  3. arXiv · 机器人与计算机视觉65

    ReToK:一种用于自回归图像生成的改进型灵活图像分词器

    针对现有灵活图像分词器因尾部截断导致早期 token 信息过载的问题,本文提出 ReToK 方法。该方法通过冗余 Token Padding 激活尾部 token,并结合分层语义正则化对齐预训练视觉基础模型的解码特征,以增强潜在建模能力。实验表明,在 ImageNet 256x256 数据集上,ReToK 的生成性能优于灵活和固定长度分词器。代码将在后续开放。

  4. arXiv · 机器人与计算机视觉78

    固定世界模型下的干预共形不确定性校准方法

    该研究解决部署策略变更使世界模型不确定性失效的问题,在保持物理转移机制和预测器不变的前提下,通过估计状态占据与动作倾向比率实现加权共形校准。实验基于开源 DINO 特征世界模型与 Franka 机械臂轨迹,在强控状态下行动态覆盖率从普通方法的 55.0% 提升至 91.0%,且学习到的代理分布与目标律的总变差距离小于 0.9%。

    推荐理由:针对部署策略变更导致的世界模型不确定性失效问题,提出基于加权共形校准的方法以适配目标分布。

  5. arXiv · 机器人与计算机视觉7

    RetailLightNet 轻量模型结合雾计算实现实时零售分析

    针对云端视频分析的高延迟与隐私问题,该研究提出基于雾计算的 F RLN 框架,利用 NVIDIA Jetson Nano 等边缘设备运行。模型采用深度可分离卷积及运动门控帧选择技术,在 SKU110K 和 RPC 数据集上实现 0.988 的精度、0.976 的召回率与 F1 分数,优于现有 CNN 基线。

  6. arXiv · 机器人与计算机视觉35

    MCP-Net:机器人导丝导航的实时冠状动脉感知网络与拓扑分析

    MCP-Net 提出一种以仿真驱动的框架,联合实现从单帧二维 X 射线透视下的冠状动脉血管分割、导丝尖端定位及狭窄病变定位。该框架将预测结果转化为包含中心线、分支角度等结构的血管图,并生成从自动选定的根节点通往目标病变的导航路线图。实验表明,该方法能同时恢复感知目标并将其转换为适合下游机器人导航的可解释血管表示。

  7. arXiv · 机器人与计算机视觉45

    ReSeed 方法通过修正扩散模型蒸馏首步偏差恢复多样性

    ReSeed 是一种仅针对扩散模型蒸馏首步添加种子响应偏置适配器的后蒸馏方法,无需微调全量学生模型或目标图像。该方法在 FLUX.1-dev 等四文本生成模型上仅需 0.00196% 额外参数即可将 DINO 多样性提升 48.3%,有效恢复了因首步偏差丢失的样本多样性。

  8. arXiv · 机器人与计算机视觉82

    Learning to Code the World: Harness Evolution for Compositional 3D Reconstruction

    论文介绍 SceneEvolve 框架,将三维场景表示为可执行代码并通过演化 harness 来改进重建效果。该框架结合参数化原语与语义空间关系构建动作接口,利用强教师模型迭代优化 harness,同时保持模型参数固定。

    推荐理由:该工作提出用代码演化框架提升开源模型在三维重建任务上的表现,并实现了对闭源大模型的超越。

  9. arXiv · 机器人与计算机视觉53

    LingGS:为高保真高斯 SLAM 解耦前馈几何预测与相机跟踪

    针对单目 RGB 高斯泼溅 SLAM 在有限优化预算下重建质量与响应性不足的挑战,本文提出 LingGS 在线系统。该系统结合学习到的几何先验与显式几何相机跟踪,利用冻结的流式 3D 基础模型作为虚拟 RGB-D 传感器进行深度估计,并通过特征重投影估算相机运动,最终将观测整合为稠密场景表示。

  10. arXiv · 机器人与计算机视觉58

    构建可审计的自驱动实验室:混合动作、测量与安全执行的统一框架

    论文提出一种可审计的自驱动实验室(SDL)统一框架,包含四个核心组件:LAM 用于生成连续机器人轨迹和仪器 API 调用;OpenSDL 作为执行底层映射异构设备并记录因果事件;Safe-SDL 运行时门控结合预调度检查与信号时序逻辑监控;L3-Bench 定义涵盖物理结果、安全性及故障恢复的评估协议。该框架旨在解决 SDL 工作流中的协调性与可追溯性挑战,目前为 arXiv 预印本状态。

  11. arXiv · 机器人与计算机视觉59

    SG^2SLAM:面向单目室外导航的空间几何感知 3D 高斯泼溅 SLAM

    针对单目室外导航中传统 SLAM 系统因将跟踪误差累积到地图导致性能下降的问题,该研究提出 SG^2SLAM 方法。该方法通过耦合流式空间几何与射线条件化 3D 高斯泼溅(3DGS)核,利用块级度量先验监督跟踪与建图,并扩展每个原型的观测方向子空间以感知单目相机视角。

  12. arXiv · 机器人与计算机视觉72

    Any3R:面向任意相机类型的前馈 3D 重建方法

    该预印本论文提出了 Any3R 模型,通过条件化于密集射线场而非特定镜头假设,实现了不依赖镜头类型的通用前馈 3D 重建。在包含十三种相机的基准测试中,该方法在混合相机场景下表现最稳健且无需针对每种镜头重新训练。材料为预印本状态,未提及同行评审或具体部署结果。